deeplearning.ai 改善深层神经网络 week3 超参数调试、Batch Normalization和程序框架

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

这一周的主体是调参。

1. 超参数：No. 1最重要，No. 2其次，No. 3其次次。

No. 1学习率α：最重要的参数。在log取值空间随机采样。例如取值范围是[0.001, 1]，r = -4*np.random.rand(), α = 10^r。

No. 2 Momentum β：0.9是个不错的选择。在1-β的log取值空间随机采样。例如取值范围[0.9, 0.999]，则1-β的取值空间[0.001, 0.1]。

No. 2 各个隐含层的神经元数量：可以在线性取值空间随机采样。

No. 2 mini-batch的大小：

No. 3 神经网络层数：可以在线性取值空间随机采样。

No. 3 Learning rate decay：

Adam算法中的 β1、β1、ε：从来不调，用默认值，0.9、0.999、10^-8.

调试超参数的时候，不要在参数的取值范围均匀采样（网格），而要随机采样。

从粗到细收缩参数的取值范围。

同一个神经网络用在不同的领域，最优的超参数是很可能不同的；即使在同一个领域，随着时间的推移，数据的变化，最优的超参数也会发生变化。所以要时不时重新调参，看能不能找到更好地。

两大类调参流派：1）对于数据量很大（比如计算机视觉、广告），计算资源不够，一次只能负担起试验一个模型或一小批模型，维护一条loss function，逐渐改良模型，努力让loss function越来越小。2）并行试验多种模型，同时看好多条loss function，直接选最好的那个。NG戏称第一类是熊猫型，每次只生一个（或几个）小孩，悉心照料；第二类则是鱼子（caviar）类，每次生一大堆，也不管不问，就看最后谁长得好。如果有足够的计算资源并行计算模型，那一定选第二类。否则，则选第一类。

2. Batch normalization：

基本想法是，既然把输入归一化可以加速优化，那么可以把中间层对下一层的输出也归一化。NG说这里可以选择是归一化未激活的z[l]，也可以归一化激活后的a[l]，他建议默认选择是z[l]。

具体算法：

对于神经网络中的某一层，z^[l](i), ..., z^[l](m)，这里是对每个特征在所有样本上的分布。

μ = 1/m*(∑z⁽ⁱ⁾)，#省略了第l层的[l]标记。

σ² = 1/m*(∑(z⁽ⁱ⁾-μ)²)，

z_norm⁽ⁱ⁾ = (z⁽ⁱ⁾ - μ)/sqrt(σ²+ε)

z_tilde⁽ⁱ⁾ = γz_norm⁽ⁱ⁾ + β，#这里γ和β是神经网络可以学习的参数，这相当于给它自由度，并不像对输入数据一样强制要求均值为0方差为1。

例如对于某个网络可能会是这样的前向传播：

w^[1], b^[1]                β^[1], γ^[1]                                                                    w^[2], b^[2]                β^[2], γ^[2]

x ---------------> z^[1]  ---------------> z_tilt^[1] ---------------> a^[1] = g^[1](z_tilt^[1]) ---------------> z^[2] ---------------> z_tilt^[2] ---------------> a^[2] --------------->...

此时的参数包括 w^[1], b^[1], w^[2], b^[2],...,w^[l], b^[l]，β^[1], γ^[1], β^[2], γ^[2],...,β^[l], γ^[l]。注意这里的β和优化中的β（例如Momentum）是完全不同的参数，不要搞混。

由于z^[l] = w^[l]*a^[l-1] + b^[l]，紧跟着做归一化时，b^[l]是被减去了，所以实际可以把公式简化为z^[l] = w^[l]*a^[l-1] 。然后计算z_norm^[l]，接着计算z_tilde^[l]=γ^[l]z_norm^[l] + β^[l]。此时β^[l]体现了之前b^[l]的作用。所以实际的参数包括w^[1], w^[2],...,w^[l], β^[1], γ^[1], β^[2], γ^[2],...,β^[l], γ^[l]。另外，z^[l]的维度是(n^[l], 1)，β^[l]和γ^[l]的维度也都是(n^[l], 1)。n^[l]是第l层的神经元数量。

当和mini-batch结合的时候，则是对每个mini-batch前向计算的时候，在z[l]和a[l]之间插入针对当前mini-batch数据的归一化层。

总结算法：

遍历所有mini-batch

计算当前mini-batch的前向传播

在每一层，用batch normalization计算出z_tilt^[l]

计算反向传播，得到 dw^[l], dβ^[l], dγ^[l]

更新参数，可以用标准梯度下降、Momentum、RMSprop、Adam等算法。

为什么在中间层做batch normalization有效呢？1）第一个很浅显的原因是和输入层特征归一化一样，各个维度近似分布更利于优化。2）第二个原因是它使得后面的层对于前面层的变化更鲁棒。为了更好地解释这个原因，我们先设想一个算法在数据集A上训练，然后在B上测试，A和B的分布相差约大，越不利于算法泛化。Covariate shift描述的就是这种数据分布发生变化的现象。对于深度学习来说，各个层神经元是处理前面的网络传过来的数据，如果前面网络的参数发生变化（比如因为优化迭代），则传入这一层的数据也会发生变化，这就产生了covaraite shift。Batch normalization就缓解了这个问题，它把不同分布的数据归一化成比较稳定的分布，限制了前面网络产生的数据的shift。或者说它减小了不同层之间的关联，使得每一层网络可以自己学习。这有助于加速整个网络的学习。3）第三个原因是batch normalization有轻微的正则化效果，在归一化的作用下每个mini-batch被它的均值和方差缩放，由于均值、方差只是小部分数据算出来是有噪音的，所以类似dropout（每个神经元有一定概率被删掉），它在每个隐藏层的输出上加了噪音，这迫使后面的层不过分依赖任何一个隐藏单元。但是由于噪音小，所以并不是巨大的正则化效果，可以把batch normalization和dropout一起用。NG强调batch normalizatoin只是有轻微正则化效果，但是还是不要把它当做正则化手段。

训练阶段是用mini-batch训练权重，而在测试阶段，需要根据训练集来估算测试样本的均值μ和方差σ²，一般采用的方法是对mini-batch算出的均值、方差做指数加权平均。

3. Softmax回归：logistic回归的一般形式，从识别两个分类推广到多个分类。

对于多分类的应用，神经网络的最后一层（第L层）是Softmax层，z^[L] = w^[L]a^[L-1] + b^[L]，中间变量t = exp(z^[L])，这是对z^[L]的每个元素进行exp操作，如果是四分类的问题，则z^[L]的形状是(4, 1)，t也是(4, 1)。激活函数 a^[L] = exp(z^[L])/(∑t_i)，t_i是t的第i个元素，a^[L]的形状也是(4, 1)，a^[L]的第i个元素a_i^[L] = t_i/∑t_i。a_i^[L]的可以看成是每个类的概率。

Softmax和Logistic回归都是对特征空间的线性划分。

Softmax名字的来源是“hard max”，hard max是把最大值设为1，其他值都抹成0，非常强硬，例如向量[0.842, 0.042, 0.002, 0.114]^T经过hard max操作就变成[1, 0, 0, 0]^T。

单个训练样本的损失函数L(y_hat, y) = -∑(y_j*logy_hat_j)。想要损失函数尽可能小，就要使正确类别的概率尽可能大。

整个训练集的损失J(w^[1], b^[1], ...) = 1/m*∑(L(y_hat⁽ⁱ⁾, y⁽ⁱ⁾))。

反向传播的计算，dz^[L] = y_hat - y。

4. 市面上的深度学习框架：

用户只需要定义网络架构以及前向传播，框架自己会搞定反向传播。

NG选框架的标准：1）容易编程；2）运行速度快，尤其是针对大数据；3）是否真的开放，不仅仅开源，而且要有很好的维护。

TensorFlow上写深度学习程序一般包含几个步骤：

1) Create Tensors (variables) that are not yet executed/evaluated.

2) Write operations between those Tensors.

3) Initialize your Tensors.

4) Create a Session.

5) Run the Session. This will run the operations you'd write above.