點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

這篇文章在國外知名的網(wǎng)站?medium?上面獲得了一千多的贊，給出了很多建議，同時(shí)也備注了論文的來源，所以這么優(yōu)質(zhì)的文章，大家一定要多多宣傳哈

訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)是困難的。它需要知識和經(jīng)驗(yàn)，以適當(dāng)?shù)挠?xùn)練和獲得一個(gè)最優(yōu)模型。在這篇文章中，我想分享我在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)學(xué)到的東西。以下提示和技巧可能對你的研究有益，并可以幫助你加速網(wǎng)絡(luò)架構(gòu)或參數(shù)搜索。

現(xiàn)在，讓我們開始吧……

整理自：https://towardsdatascience.com/a-bunch-of-tips-and-tricks-for-training-deep-neural-networks-3ca24c31ddc8

1

在你開始建立你的網(wǎng)絡(luò)體系結(jié)構(gòu)，你需要做的第一件事是驗(yàn)證輸入到網(wǎng)絡(luò)的數(shù)據(jù)，確保輸入(x)對應(yīng)于一個(gè)標(biāo)簽(y)。在預(yù)測的情況下，確保真實(shí)標(biāo)簽(y)正確編碼標(biāo)簽索引(或者one-hot-encoding)。否則，訓(xùn)練就不起作用。

2

決定是選擇使用預(yù)模型還是從頭開始訓(xùn)練你的網(wǎng)絡(luò)?

• 如果問題域中的數(shù)據(jù)集類似于ImageNet數(shù)據(jù)集，則對該數(shù)據(jù)集使用預(yù)訓(xùn)練模型。使用最廣泛的預(yù)訓(xùn)練模型有VGG net、ResNet、DenseNet或Xception等。有許多層架構(gòu)，例如，VGG(19和16層)，ResNet(152, 101, 50層或更少)，DenseNet(201, 169和121層)。注意:不要嘗試通過使用更多的層網(wǎng)來搜索超參數(shù)(例如VGG-19, ResNet-152或densen -201層網(wǎng)絡(luò)，因?yàn)樗谟?jì)算量很大)，而是使用較少的層網(wǎng)(例如VGG-16, ResNet-50或densen -121層)。選擇一個(gè)預(yù)先訓(xùn)練過的模型，你認(rèn)為它可以用你的超參數(shù)提供最好的性能(比如ResNet-50層)。在你獲得最佳超參數(shù)后，只需選擇相同但更多的層網(wǎng)(如ResNet-101或ResNet-152層)，以提高準(zhǔn)確性。

  ImageNet：http://www.image-net.org/challenges/LSVRC/2012/

  VGG net ：https://arxiv.org/abs/1409.1556

  ResNet：https://arxiv.org/abs/1512.03385

  DenseNet：https://arxiv.org/abs/1608.06993

  Xception ：https://arxiv.org/abs/1610.02357

• 微調(diào)幾層，或者如果你有一個(gè)小的數(shù)據(jù)集，只訓(xùn)練分類器，你也可以嘗試在你要微調(diào)的卷積層之后插入Dropout層，因?yàn)樗梢詭椭鷮咕W(wǎng)絡(luò)中的過擬合。

  Dropout：http://jmlr.org/papers/v15/srivastava14a.html

• 如果你的數(shù)據(jù)集與ImageNet數(shù)據(jù)集不相似，你可以考慮從頭構(gòu)建并訓(xùn)練你的網(wǎng)絡(luò)。

3

在你的網(wǎng)絡(luò)中始終使用歸一化層（normalization layers）。如果你使用較大的批處理大小(比如10個(gè)或更多)來訓(xùn)練網(wǎng)絡(luò)，請使用批標(biāo)準(zhǔn)化層（BatchNormalization）。否則，如果你使用較小的批大小(比如1)進(jìn)行訓(xùn)練，則使用InstanceNormalization層。請注意，大部分作者發(fā)現(xiàn)，如果增加批處理大小，那么批處理規(guī)范化會提高性能，而當(dāng)批處理大小較小時(shí)，則會降低性能。但是，如果使用較小的批處理大小，InstanceNormalization會略微提高性能。或者你也可以嘗試組規(guī)范化（GroupNormalization）。

BatchNormalization：https://arxiv.org/abs/1502.03167

InstanceNormalization：https://arxiv.org/abs/1607.08022

GroupNormalization：https://arxiv.org/abs/1803.08494

4

如果你有兩個(gè)或更多的卷積層(比如Li)對相同的輸入(比如F)進(jìn)行操作（參考下面的示意圖理解），那么在特征連接后使用SpatialDropout。由于這些卷積層是在相同的輸入上操作的，因此輸出特征很可能是相關(guān)的。因此，SpatialDropout刪除了那些相關(guān)的特征，并防止網(wǎng)絡(luò)中的過擬合。

注意:?它主要用于較低的層而不是較高的層。

SpatialDropout：https://arxiv.org/abs/1411.4280

5

為了確定你的網(wǎng)絡(luò)容量，嘗試用一小部分訓(xùn)練例子來超載你的網(wǎng)絡(luò)(andrej karpathy的提示)。如果它沒有超載，增加你的網(wǎng)絡(luò)容量。在過擬合后，使用正則化技巧如L1、L2、Dropout或其他技術(shù)來對抗過擬合。

L1：https://keras.io/regularizers/

L2：https://keras.io/regularizers/

Dropout：http://jmlr.org/papers/v15/srivastava14a.html

6

另一種正則化技術(shù)是約束或限制你的網(wǎng)絡(luò)權(quán)值。這也有助于防止網(wǎng)絡(luò)中的梯度爆炸問題，因?yàn)闄?quán)值總是有界的。與L2正則化相反，在你的損失函數(shù)中懲罰高權(quán)重，這個(gè)約束直接正則化你的權(quán)重。你可以在Keras中輕松設(shè)置權(quán)重約束:

from keras.constraints import max_norm # add to Dense layers model.add(Dense(64, kernel_constraint=max_norm(2.))) # or add to Conv layers model.add(Conv2D(64, kernel_constraint=max_norm(2.)))

7

對數(shù)據(jù)進(jìn)行均值減法有時(shí)會產(chǎn)生非常糟糕的效果，特別是對灰度圖像進(jìn)行減法(我個(gè)人在前景分割領(lǐng)域就遇到過這個(gè)問題)。

8

在訓(xùn)練前和訓(xùn)練期間，確保打亂訓(xùn)練數(shù)據(jù)，以防你不能從時(shí)序數(shù)據(jù)中獲取有用信息。這可能有助于提高您的網(wǎng)絡(luò)性能。

9

如果你的問題域與稠密預(yù)測（dense prediction）相關(guān)(如語義分割)，我建議你使用膨脹殘差網(wǎng)絡(luò)作為預(yù)訓(xùn)練模型，因?yàn)樗钸m合稠密預(yù)測。

Dilated Residual Networks：https://arxiv.org/abs/1705.09914

10

要捕獲對象周圍的上下文信息，可以使用多尺度特性的池化模塊。該思想成功地應(yīng)用于語義分割或前景分割中。

semantic segmentation：https://arxiv.org/abs/1802.02611

foreground segmentation：https://arxiv.org/abs/1808.01477

11

Opt-out void labels(或模糊區(qū)域)從您的損失或精度計(jì)算，如果有。這可以幫助你的網(wǎng)絡(luò)在預(yù)測時(shí)更有信心。

12

如果你有高度不平衡的數(shù)據(jù)問題，在訓(xùn)練期間應(yīng)用類別加權(quán)操作。換句話說，給稀少的類更多的權(quán)重，但給主要類更少的權(quán)重。使用sklearn可以很容易地計(jì)算類權(quán)重。或者嘗試使用過采樣和欠采樣技術(shù)重新采樣你的訓(xùn)練集。這也可以幫助提高預(yù)測的準(zhǔn)確性。

sklearn：http://scikit-learn.org/stable/modules/generated/sklearn.utils.class_weight.compute_class_weight.html

OverSampling and UnderSampling techniques：https://en.wikipedia.org/wiki/Oversampling_and_undersampling_in_data_analysis

13

選擇一個(gè)正確的優(yōu)化器。有許多流行的自適應(yīng)優(yōu)化器，如Adam, Adagrad, Adadelta，或RMSprop等。SGD+動量被廣泛應(yīng)用于各種問題領(lǐng)域。有兩件事需要考慮：

第一，如果你關(guān)心快速收斂，使用自適應(yīng)優(yōu)化器，如Adam，但它可能會陷入局部極小，提供了糟糕的泛化(下圖)。

第二，SGD+momentum可以實(shí)現(xiàn)找到全局最小值，但它依賴于魯棒初始化，而且可能比其他自適應(yīng)優(yōu)化器需要更長的時(shí)間來收斂(下圖)。我建議你使用SGD+動量，因?yàn)樗苓_(dá)到更好的最佳效果。

14

有三個(gè)學(xué)習(xí)率起點(diǎn)(即1e- 1,1e -3和1e-6)。如果您對預(yù)訓(xùn)練模型進(jìn)行微調(diào)，請考慮小于1e-3(比如1e-4)的低學(xué)習(xí)率。如果您從頭開始訓(xùn)練您的網(wǎng)絡(luò)，請考慮一個(gè)大于或等于1e-3的學(xué)習(xí)率。您可以嘗試這些起點(diǎn)，并調(diào)整它們，看看哪個(gè)是最好的，選擇那個(gè)。還有一件事，您可以考慮通過使用 Learning Rate Schedulers來降低訓(xùn)練過程中的學(xué)習(xí)率。這也可以幫助提高網(wǎng)絡(luò)性能。

Learning Rate Schedulers：https://keras.io/callbacks/#learningratescheduler

15

除了Learning Rate Schedule 外，即在一定的次數(shù)后降低學(xué)習(xí)率，還有另一種方式，我們可以由一些因素減少學(xué)習(xí)率，如果驗(yàn)證損loss在某些epoch(比如5)停止改善，減小學(xué)習(xí)率和如果驗(yàn)證損失停止改善在某些epoch(比如10)，停止訓(xùn)練過程。這可以通過在Keras中使用early stop的ReduceLROnPlateau很容易做到。

ReduceLROnPlateau：https://keras.io/callbacks/#reducelronplateau

EarlyStopping：https://keras.io/callbacks/#earlystopping

16

如果您在dense prediction領(lǐng)域工作，如前景分割或語義分割，您應(yīng)該使用跳過連接，因?yàn)閷ο筮吔缁蛴杏玫男畔捎谧畲蟪鼗僮骰騭trided convolutions而丟失。這也可以幫助您的網(wǎng)絡(luò)輕松地學(xué)習(xí)特征空間到圖像空間的特征映射，有助于緩解網(wǎng)絡(luò)中的消失梯度問題。

skip connections：https://arxiv.org/abs/1505.04597

17

數(shù)據(jù)越多越好!總是使用數(shù)據(jù)增強(qiáng)，如水平翻轉(zhuǎn)，旋轉(zhuǎn)，縮放裁剪等。這可以幫助大幅度提高精確度。

18

你必須要有一個(gè)高速的GPU來進(jìn)行訓(xùn)練，但是這有點(diǎn)昂貴。如果你想使用免費(fèi)的云GPU，我推薦使用谷歌Colab。如果你不知道從哪里開始，看看我之前的文章或者嘗試各種云GPU平臺，如Floydhub或Paperspace等。

Google Colab：https://colab.research.google.com/notebooks/welcome.ipynb#recent=true

使用教程：https://towardsdatascience.com/a-comprehensive-guide-on-how-to-fine-tune-deep-neural-networks-using-keras-on-google-colab-free-daaaa0aced8f

Floydhub：https://www.floydhub.com

Paperspace：https://www.paperspace.com

19

在ReLU之前使用最大池化來節(jié)省一些計(jì)算。由于ReLU閾值的值為0：f(x)=max(0,x)和最大池化只有max激活：f(x)=max(x1,x2，…，xi)，使用Conv > MaxPool > ReLU 而不是Conv > ReLU > MaxPool。

例如，假設(shè)我們有兩個(gè)從Conv來的激活值(即0.5和-0.5):

• 因此MaxPool > ReLU = max(0, max(0.5，-0.5)) = 0.5

• 和ReLU > MaxPool = max(max(0,0.5), max(0,-0.5)) = 0.5

看到了嗎?這兩個(gè)操作的輸出仍然是0.5。在這種情況下，使用MaxPool > ReLU可以節(jié)省一個(gè)max 操作。

20

考慮采用深度可分離卷積運(yùn)算，與常規(guī)的卷積運(yùn)算相比，該運(yùn)算速度快，且參數(shù)數(shù)量大大減少。

Depthwise Separable Convolution：https://arxiv.org/abs/1610.02357

21?

最后但并非最不重要的是不要放棄????。相信自己，你能做到！如果你還沒有得到你還找精度高,調(diào)整你的hyper-parameters,網(wǎng)絡(luò)體系結(jié)構(gòu)或訓(xùn)練數(shù)據(jù),直到你得到你正在尋找的準(zhǔn)確性。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯

獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：

https://t.zsxq.com/y7uvZF6

本站qq群704220115。

加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】21个深度学习调参技巧，一定要看到最后一个的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。