PART2 -W3 超参调试、batch正则化和程序框架

2019-10-26 本文已影响0人迪丽娜扎

3.1 超参调试的简单介绍

1. DNN的常见超参

（1）学习率 $\alpha$ ☆☆☆☆☆非常重要；

（2）训练参数Mini_batch_size ☆☆☆比较重要；

（3）与优化算法相关的参数：比如momentum的 $\beta$ （默认0.9）参数，Adam的 $\beta_1$ （默认0.9）、 $\beta_2$ （默认0.999）、 $\varepsilon$ 参数（默认10^-8），最后一个无关紧要，前三个一般重要，但基本上使用默认值（括号内）就可以了；

（4）学习率衰减参数及衰减方式：一般重要；

（5）网络结构参数：如隐藏层层数、各层神经元个数

2. 寻找合适的超参的正确姿势

1）不要用网格搜索，而用随机的一些组合

如上图所示，左侧为网格搜索。对于DNN而言，由于不同的参数的重要程度不一样（比如 $\alpha$ 和 $\varepsilon$ ），使用网格搜索时，设定了固定的 $\alpha$ ，而去尝试了若干的 $\varepsilon$ ，是没有太多意义的。右侧为随机设定25组参数组合，这样能够尝试更多的 $\alpha$

2）参数搜索应遵循从粗糙到精细的步骤

当已经初步试验出某个区域内的超参效果最好，则锁定这片区域进行更精细的搜索。如下图所示

3.2 为超参选择设定合适的尺度

标题解释：尺度（scale）的翻译并不算准确。举个栗子来说：有一个参数的选取范围是1~1000，假设我们按照1,2,3,4,5,6,7,8,...,1000的方式来寻找参数，就叫叫线性尺度；而假设我们的寻找方式是1,10,100,1000，这就叫指数尺度。本节是在简单描述不同的参数所对应的合适的尺度。

隐藏层层数、隐藏层神经元数等超参，一般都使用线性尺度进行搜索

学习率、 $\beta$ 等参数，一般用指数尺度进行搜索。

3.3 超参数调试的两种方式

第一种方式：边训练边调试。比方今天开始训练，一天结束了收敛趋势还不错，那么此时尝试加大一下学习率。这种方式像是在精细地培养一个模型，在计算资源有限的时候可以这样干。

这与之前的调参经验不同，在使用GBDT算法建模的时候，通常是设定好一组超参，然后pia训出一个模型，观察该模型的过拟合欠拟合情况，再重新设定一组超参，看看效果会不会更好。私以为这种区别主要是由算法本身的特性导致的，GBDT系的算法通常训练是非常快的，一般就几分钟，但DNN可能要到天级。

第二种方式：同时训练很多模型，每个模型设定不同的超参，最后取效果最好的那个。就像鱼产卵，大家野蛮生长好了。适用于不缺计算资源的时候。

两种方式如下图所示：

3.4 ~ 3.7 Batch Normalization

1. Batch Normalization是什么操作？

简单来说，Batch Normalization就是基于batch把神经网络的隐藏层值也进行标准化，从而达到更好的训练效果。从前向传播角度来看，不带Batch Normalization的FP就是“加权求和 → 激活函数”的循环往复，而带batch normalization的FP则是“加权求和 → 标准化 → 尺度缩放 →激活函数”的循环往复。

本图示意为简单地FP（加权求和 → 激活函数）

以上图为例，从第一个隐藏层向第二个隐藏层进行前向传播时，本来的FP步骤如下：

i. 加权求和 $z^{[2]} = W^{[2]}a^{[1]}+b^{[2]}$

ii. 激活函数 $a^{[2]}=g(z^{[2]})$

加上batch normalization的FP步骤如下：

i. 加权求和 $z^{[2]} = W^{[2]}a^{[1]}$ 注意去掉了偏执项。

ii. 基于batch或当前的mini_batch求出 $z^{[2]}$ 的均值 $\mu^{[2]}$ 和标准差 $\sigma^{[2]}$ ，且 $z_{norm}^{[2]} = \frac{z^{[2]}-\mu^{[2]}}{\sigma^{[2]}}$

iii. 尺度缩放（rescale） $\tilde{z}^{[2]} = \gamma^{[2]}z_{norm}^{[2]}+\beta^{[2]}$

iv. 激活函数 $a^{[2]}=g(\tilde{z} ^{[2]})$

关于上述步骤，有以下基点需要注意：

① 第ii步中，求解均值和方差的reduce运算是针对batch或mini_batch的，对 $z^{[2]}$ 本身而言则是point-wise的；

② 第iii步的rescale也是针对z的每个元素单独进行缩放，所以 $\gamma^{[2]}$ 和 $\beta^{[2]}$ 都是个vector，且元素数等于第二个隐藏层的神经元数；

③ $\gamma^{[2]}、\beta^{[2]}$ 是像 $W^{[2]}$ 一样的待学习的参数，在使用BP进行梯度下降时，这些参数都是要迭代的。

2. Batch Normalization的作用？

1）应对分布发生变化的问题（没有太看懂，略）

2）有一定的正则化作用（没有太看懂，略）。

3. 预测/测试时的Batch Normalization

如第1部分所言，中间有一步是进行标准化，那么需要基于batch或mini_batch求解均值和方差。而用模型进行预测或测试时，有可能是针对单个样本的，此时所谓的均值和方差怎么来？很艰难，提前存的。有可能是① 训练完模型后，使用整个训练集求出各个输入层及各个隐藏层值的均值和标准差，存好备用；② 在训练过程中使用类似“指数加权平均”的方式动态地存储这些值。总之就是一句话，提前存好，预测/测试时直接调用即可。