本文探讨了神经网络的优化方法，包括数据集划分、正则化技术如L1和L2范数、dropout、数据增广、早停策略。还介绍了批标准化(BN)、梯度消失爆炸的解决方案、动量梯度下降、RMSprop和Adam等优化算法，以及学习因子衰减和超参数调试。此外，文章提到了迁移学习和多任务学习在提高模型性能中的应用。
数据集划分：train/dev/test 训练集、验证集、测试集三部分。（当没有测试集的时候，也把验证集叫做test sets）.训练集：训练算法模型。验证集：验证不同算法的表现情况，选择最佳算法模型。测试集：测试最好算法的实际表现，作为该算法的无偏估计。（泛化能力）
样本量<10000,6: 2：2。 样本量很大如100万，则98%：1%：1%。
正则化：
L1范数（也称参数洗属性惩罚），绝对值相加，限制参数数值之和，w更加稀疏：指更多零值；虽然L1得到W更稀疏但求导复杂。
L2范数（也称权重衰减），限制参数平方和，平方和开方，L2正则化更常用，求导只用到自身。
dropout: keep_prob=0.8(该层有80%神经元的输出随机置0，通过伯努利分布生成向量点乘实现) 。（dropout只是训练模型使用，测试和实际应用模型不需要），相当于多种网络的融合，减少神经元之间依赖性，更加robust.（是一种正则化技巧）。
数据增广 （data augmentation）:添加样本噪声和数量。扭曲，翻转，旋转，缩放。
early stopping：随迭代次数增加，训
最低0.47元/天 解锁文章
扫一扫
5507
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
