深度學(xué)習(xí)已經(jīng)成為解決許多具有挑戰(zhàn)性的現(xiàn)實世界問題的方法。對目標(biāo)檢測，語音識別和語言翻譯來說，這是迄今為止表現(xiàn)最好的方法。許多人將深度神經(jīng)網(wǎng)絡(luò)（DNNs）視為神奇的黑盒子，我們放進(jìn)去一堆數(shù)據(jù)，出來的就是我們的解決方案！事實上，事情沒那么簡單。

在設(shè)計和應(yīng)用DNN到一個特定的問題上可能會遇到很多挑戰(zhàn)。為了達(dá)到現(xiàn)實世界應(yīng)用所需的性能標(biāo)準(zhǔn)，對數(shù)據(jù)準(zhǔn)備，網(wǎng)絡(luò)設(shè)計，訓(xùn)練和推斷等各個階段的正確設(shè)計和執(zhí)行至關(guān)重要。

今天給大家講講DNN（深度神經(jīng)網(wǎng)絡(luò)）在訓(xùn)練過程中遇到的一些問題，然后我們應(yīng)該怎么去注意它，并學(xué)會怎么去訓(xùn)練它。

1、數(shù)據(jù)集的準(zhǔn)備：

必須要保證大量、高質(zhì)量且?guī)в袦?zhǔn)確標(biāo)簽的數(shù)據(jù)，沒有該條件的數(shù)據(jù)，訓(xùn)練學(xué)習(xí)很困難的（但是最近我看了以為作者寫的一篇文章，說明不一定需要大量數(shù)據(jù)集，也可以訓(xùn)練的很好，有空和大家來分享其思想---很厲害的想法）；

2、數(shù)據(jù)預(yù)處理：

這個不多說，就是0均值和1方差化，其實還有很多方法；

3、Minibatch：

這個有時候還要根據(jù)你的硬件設(shè)備而定，一般建議用128，8這組，但是128，1也很好，只是效率會非常慢，注意的是：千萬不要用過大的數(shù)值，否則很容易過擬合；

4、梯度歸一化：

其實就是計算出來梯度之后，要除以Minibatch的數(shù)量，這個可以通過閱讀源碼得知（我之前有寫過SGD）；

5、學(xué)習(xí)率：

① 一般都會有默認(rèn)的學(xué)習(xí)率，但是剛開始還是用一般的去學(xué)習(xí)，然后逐漸的減小它；

② 一個建議值是0.1，適用于很多NN的問題，一般傾向于小一點；但是如果對于的大數(shù)據(jù)，何凱明老師也說過，要把學(xué)習(xí)率調(diào)到很小，他說0.00001都不為過（如果記得不錯，應(yīng)該是這么說的）；

③ 一個對于調(diào)度學(xué)習(xí)率的建議：如果在驗證集上性能不再增加就讓學(xué)習(xí)率除以2或者5，然后繼續(xù)，學(xué)習(xí)率會一直變得很小，到最后就可以停止訓(xùn)練了；

④ 很多人用的一個設(shè)計學(xué)習(xí)率的原則就是監(jiān)測一個比率（每次更新梯度的norm除以當(dāng)前weight的norm），如果這個比率在10e-3附近，且小于這個值，學(xué)習(xí)會很慢，如果大于這個值，那么學(xué)習(xí)很不穩(wěn)定，由此會帶來學(xué)習(xí)失敗。

6、驗證集的使用：

使用驗證集，可以知道什么時候開始降低學(xué)習(xí)率和什么時候停止訓(xùn)練；

7、weight初始化：

① 如果你不想繁瑣的話，直接用0.02*randn（num_params）來初始化，當(dāng)然別的值也可以去嘗試；

② 如果上面那個建議不太好使，那么就依次初始化每一個weight矩陣用init_scale / sqrt（layer_width） * randn，init_scale可以被設(shè)置為0.1或者1；

③ 初始化參數(shù)對結(jié)果的影響至關(guān)重要，要引起重視；

④ 在深度網(wǎng)絡(luò)中，隨機(jī)初始化權(quán)重，使用SGD的話一般處理的都不好，這是因為初始化的權(quán)重太小了。這種情況下對于淺層網(wǎng)絡(luò)有效，但是當(dāng)足夠深的時候就不行，因為weight更新的時候，是靠很多weight相乘的，越乘越小，類似梯度消失的意思。

8、RNN&&LSTM（這方面沒有深入了解，借用別人的意思）：

如果訓(xùn)練RNN或者LSTM，務(wù)必保證gradient的norm被約束在15或者5（前提還是要先歸一化gradient），這一點在RNN和LSTM中很重要；

9、梯度檢查：

檢查下梯度，如果是你自己計算的梯度；如果使用LSTM來解決長時依賴的問題，記得初始化bias的時候要大一點；

10、數(shù)據(jù)增廣：

盡可能想辦法多的擴(kuò)增訓(xùn)練數(shù)據(jù)，如果使用的是圖像數(shù)據(jù)，不妨對圖像做一點扭轉(zhuǎn)，剪切，分割等操作來擴(kuò)充數(shù)據(jù)訓(xùn)練集合；

11、dropout：（先空著，下次我要單獨詳細(xì)講解Dropout）

12、評價結(jié)果：

評價最終結(jié)果的時候，多做幾次，然后平均一下他們的結(jié)果。

補(bǔ)充：

1、選擇優(yōu)化算法

傳統(tǒng)的隨機(jī)梯度下降算法雖然適用很廣，但并不高效，最近出現(xiàn)很多更靈活的優(yōu)化算法，例如Adagrad、RMSProp等，可在迭代優(yōu)化的過程中自適應(yīng)的調(diào)節(jié)學(xué)習(xí)速率等超參數(shù)，效果更佳；

2、參數(shù)設(shè)置技巧

無論是多核CPU還是GPU加速，內(nèi)存管理仍然以字節(jié)為基本單元做硬件優(yōu)化，因此將參數(shù)設(shè)定為2的指數(shù)倍，如64，128，512，1024等，將有效提高矩陣分片、張量計算等操作的硬件處理效率；

3、正則優(yōu)化

除了在神經(jīng)網(wǎng)絡(luò)單元上添加傳統(tǒng)的L1/L2正則項外，Dropout更經(jīng)常在深度神經(jīng)網(wǎng)絡(luò)應(yīng)用來避免模型的過擬合。初始默認(rèn)的0.5的丟棄率是保守的選擇，如果模型不是很復(fù)雜，設(shè)置為0.2就可以；

4、其他方法

除了上述訓(xùn)練調(diào)優(yōu)的方法外，還有其他一些常用方法，包括：使用mini-batch learning方法、遷移訓(xùn)練學(xué)習(xí)、打亂訓(xùn)練集順序、對比訓(xùn)練誤差和測試誤差調(diào)節(jié)迭代次數(shù)、日志可視化觀察等等。

審核編輯 ：李倩