框架学习杂记

训练参数及其含义

  • 学习率(lr):梯度下降反向传播时的学习速率,可以通过不同分布生成变化的学习率
  • weight_decay:实际上就是L2正则化向中的 λ \lambda λ

机器学习技巧及意义

梯度累加(Gradient Accumulation)

在GPU内存被限制的时候,使用相对小的batch进行训练,但不在每个batch训练完成后更新参数,而是在若干个batch完成后,一次性更新参数并清空梯度,这样可以得到类似大batch size的训练效果

for i, (inputs, labels)in enumerate(trainloader):
    outputs= net(inputs)                  # 正向传播
    loss= criterion(outputs, labels)      # 计算损失函数
    loss= loss/ accumulation_steps       # 损失标准化
    loss.backward()                        # 反向传播,计算梯度
    if (i+1)% accumulation_steps== 0:
        optimizer.step()                   # 更新参数
        optimizer.zero_grad()              # 梯度清零
        if (i+1)% evaluation_steps== 0:
            evaluate_model()

残差(residual)

残差在数理统计中是指实际观察值与估计值(拟合值)之间的差,如果回归模型正确的话, 我们可以将残差看作误差的观测值。
残差网络可以解决网络深化厚的退化问题
残差网络整体上的思路就是,如果设置了残差,就会有一个从输入直接到输出的shotcut function。
在这里插入图片描述
如图残差图的关键就是插入了一个从输入到输出的Indentity函数,一个神经网络层由F(x)变为F(x)+x,假如最优输入为x,只需要优化F(x)=H(x)-x=0即可。
如果输入维度和输出维度不一致,还需要一个线性层将输入维度转化为输出维度。
残差图起作用的原因是,由于有了shortcut,一个神经网络层的存在最差也不会损失精度(计算图仅仅通过identity函数),同时也有可能学习到使得精度提高的参数变化(神经网络参数)。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值