机器学习
- 回归:对连续随机变量建模预测的监督学习算法 线性回归 交叉熵损失函数
- 分类:对离散变量建模预测的监督式学习算法 支持向量机 均方差
- 聚类:基于数据的内部规律,寻找其属于不同族群的无监督学习算法 K-means、强化学习、自编码、受陷玻尔兹曼机
1*1卷积核的作用
跨通道信息融合
通过对通道数的降维和升维来减少计算量
ReLU函数的特点
- 计算量更小
- 反向传播过程中,Sigmoid存在饱和区,如果激活函数值落入饱和区,则梯度更新值非常小,导致出现梯度清零消失的现象。
- 可令部分输出为0,造成网络的稀疏性。减少前后层参数对当前层参数的影响,提升了模型的泛化能力。
激活函数的适用范围
Sigmoid:常用于二分类的输出层
tanh:常用于输出对称的结果的时候,比如(-1,1)
ReLU:应用于各种类型的神经网络,卷积神经网络的隐藏层
LeakyReLU:虽然解决了失活神经元的问题,但在实践中并没有发现效果比ReLU有明显的提升。
机器学习和深度学习差别
机器学习需要手动设置特征,深度学习在学习过程中自动提取特征
学习率的算法
SGD、Momentum、AdaGrad、Adam
SGD随机梯度下降,BGD批量梯度下降。一般不用BGD,因为SGD可以作为跳出局部极小值的一种方式,也可能跳出全局最小。
恢复训练的时候要同时保存模型和优化器的参数,如Adam优化器的lr随epochs的改变而改变。
批归一化
解决训练过程中的中间层数据分布发生改变的问题,以防止梯度消失或者爆炸,加快训练速度。
- 使学习快速进行(可以选用较大的lr)
- 降低模型对初始值的敏感性
- 从一定程度上抑制过拟合
正向传播:通过可学习的γ和β参数求出新的分布值。
反向传播:通过链式求导法则,修正γ和β以及相关的极值。
倾向于把BN放在ReLU的后面。
fine tune:冻结大部分前层网络,只对后几层进行调参
线性函数不可以作为激活函数
Dropou