1.神经网络常用技巧
1.1 K折交叉验证
定义:原始训练数据被分成 K 个不重叠的子集。 然后执行 K 次模型训练和验证,每次在 K−1 个子集上进行训练, 并在剩余的一 个子集(在该轮中没有用于训练的子集)上进行验证。 最后,通过对 K 次实验的结果取平均来估计训练和验证误差。
1.2 欠拟合与过拟合
1.3 权重衰减 (𝐿2正则化)
1.4 Dropout(暂退)
2. 卷积神经网络基础
2.1 深度学习平台介绍
2.2 基本概念
张量:是一个物理量,对高维 (维数 ≥ 2) 的物理量进行“量纲分析” 的一种工具。简单的可以理解为:一 维数组称为矢量,二维数组为二阶张量,三维数组为三阶张量 …
计算图:用“结点”(nodes)和“线”(edges)的有向图来 描述数学计算的图像。“节点” 一般用来表示施加 的数学操作,但也可以表示数据输入的起点/输出的 终点,或者是读取/写入持久变量的终点。“线”表 示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组,即 “张量”(tensor)
全连接网络:链接权过多,难算难收敛,同时可能进入局部极小值,也容易产生过拟合问题
2.3 LeNet-5网络
2.3.1 网络提出及结构
2.3.2 结构详解
C1层:6个Feature map构成;每个神经元对输入进行5*5卷积每个神经元对应5*5+1个参数,共6个feature map, 28*28个神经元,因此共有 (5*5+1)*6*(28*28)=122,304连接。
S2层(Pooling层)
C3层:卷积层,结构如下图
S4层:与S2层工作相同
C5层:120个神经元 ;每个神经元同样对输入进行5*5卷积,与S4全连接 ;总连接数(5*5*16+1)*120=48120
F6层:84个神经元 ;与C5全连接 ;总连接数(120+1)*84=10164
输出层:
网络说明:
与现在网络的区别
卷积时不进行填充(padding)
池化层选用平均池化而非最大池化
选用Sigmoid或tanh而非ReLU作为非线性环节激活函数
层数较浅,参数数量小(约为6万)
普遍规律
随网络深入,宽、高衰减,通道数增加