深度學習調(diào)參tricks總結
導讀
本文總結了一系列深度學習工作中的調(diào)參策略，并含有多個訓練技巧，非常實用。
尋找合適的學習率(learning rate)
學習率是一個非常非常重要的超參數(shù)，這個參數(shù)呢，面對不同規(guī)模、不同batch-size、不同優(yōu)化方式、不同數(shù)據(jù)集，其最合適的值都是不確定的，我們無法光憑經(jīng)驗來準確地確定lr的值，我們唯一可以做的，就是在訓練中不斷尋找最合適當前狀態(tài)的學習率。
比如下圖利用fastai中的lr_find()函數(shù)尋找合適的學習率，根據(jù)下方的學習率-損失曲線得到此時合適的學習率為1e-2。
推薦一篇fastai首席設計師「Sylvain Gugger」的一篇博客：How Do You Find A Good Learning Rate[1]
以及相關的論文Cyclical Learning Rates for Training Neural Networks[2]。
learning-rate與batch-size的關系
一般來說，越大的batch-size使用越大的學習率。
原理很簡單，越大的batch-size意味著我們學習的時候，收斂方向的confidence越大，我們前進的方向更加堅定，而小的batch-size則顯得比較雜亂，毫無規(guī)律性，因為相比批次大的時候，批次小的情況下無法照顧到更多的情況，所以需要小的學習率來保證不至于出錯。
可以看下圖損失Loss與學習率Lr的關系：
在顯存足夠的條件下，最好采用較大的batch-size進行訓練，找到合適的學習率后，可以加快收斂速度。
另外，較大的batch-size可以避免batch normalization出現(xiàn)的一些小問題，參考如下Pytorch庫Issue[3]
權重初始化
權重初始化相比于其他的trick來說在平常使用并不是很頻繁。
因為大部分人使用的模型都是預訓練模型，使用的權重都是在大型數(shù)據(jù)集上訓練好的模型，當然不需要自己去初始化權重了。只有沒有預訓練模型的領域會自己初始化權重，或者在模型中去初始化神經(jīng)網(wǎng)絡最后那幾個全連接層的權重。
常用的權重初始化算法是「kaiming_normal」或者「xavier_normal」。
相關論文：
Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification[4] Understanding the difficulty of training deep feedforward neural networks[5] Xavier初始化論文[6] He初始化論文[7]
不初始化可能會減慢收斂速度，影響收斂效果。
以下 為網(wǎng)絡的輸入大小， 為網(wǎng)絡的輸出大小， 為 或
uniform均勻分布初始化：
Xavier初始法，適用于普通激活函數(shù)(tanh, sigmoid)：
He初始化，適用于ReLU：
normal高斯分布初始化， 其中stdev為高斯分布的標準差，均值設為0：
Xavier初始法，適用于普通激活函數(shù) (tanh,sigmoid)：
He初始化，適用于ReLU：
svd初始化：對RNN有比較好的效果。參考論文： https://arxiv.org/abs/1312.6120[8]
dropout
dropout是指在深度學習網(wǎng)絡的訓練過程中，對于神經(jīng)網(wǎng)絡單元，按照一定的概率將其暫時從網(wǎng)絡中丟棄。注意是「暫時」，對于隨機梯度下降來說，由于是隨機丟棄，故而每一個mini-batch都在訓練不同的網(wǎng)絡。
Dropout類似于bagging ensemble減少variance。也就是投通過投票來減少可變性。通常我們在全連接層部分使用dropout，在卷積層則不使用。但「dropout」并不適合所有的情況，不要無腦上Dropout。
Dropout一般適合于全連接層部分，而卷積層由于其參數(shù)并不是很多，所以不需要dropout，加上的話對模型的泛化能力并沒有太大的影響。
我們一般在網(wǎng)絡的最開始和結束的時候使用全連接層，而hidden layers則是網(wǎng)絡中的卷積層。所以一般情況，在全連接層部分，采用較大概率的dropout而在卷積層采用低概率或者不采用dropout。
數(shù)據(jù)集處理
主要有「數(shù)據(jù)篩選」 以及 「數(shù)據(jù)增強」
難例挖掘 hard-negative-mining
分析模型難以預測正確的樣本，給出針對性方法。
多模型融合
Ensemble是論文刷結果的終極核武器,深度學習中一般有以下幾種方式
同樣的參數(shù),不同的初始化方式 不同的參數(shù),通過cross-validation,選取最好的幾組 同樣的參數(shù),模型訓練的不同階段，即不同迭代次數(shù)的模型。 不同的模型,進行線性融合. 例如RNN和傳統(tǒng)模型.
提高模型性能和魯棒性大法：probs融合 和 投票法。
假設這里有model 1, model 2, model 3，可以這樣融合：
1. model1 probs + model2 probs + model3 probs ==> final label
2. model1 label , model2 label , model3 label ==> voting ==> final label
3. model1_1 probs + ... + model1_n probs ==> mode1 label, model2 label與model3獲取的label方式與1相同 ==> voting ==> final label
第三個方式的啟發(fā)來源于，如果一個model的隨機種子沒有固定，多次預測得到的結果可能不同。
以上方式的效果要根據(jù)label個數(shù)，數(shù)據(jù)集規(guī)模等特征具體問題具體分析，表現(xiàn)可能不同，方式無非是probs融合和投票法的單獨使用or結合。
差分學習率與遷移學習
首先說下遷移學習，遷移學習是一種很常見的深度學習技巧，我們利用很多預訓練的經(jīng)典模型直接去訓練我們自己的任務。雖然說領域不同，但是在學習權重的廣度方面，兩個任務之間還是有聯(lián)系的。
由上圖，我們拿來「model A」訓練好的模型權重去訓練我們自己的模型權重(「Model B」)，其中，modelA可能是ImageNet的預訓練權重，而ModelB則是我們自己想要用來識別貓和狗的預訓練權重。
那么差分學習率和遷移學習有什么關系呢？我們直接拿來其他任務的訓練權重，在進行optimize的時候，如何選擇適當?shù)膶W習率是一個很重要的問題。
一般地，我們設計的神經(jīng)網(wǎng)絡(如下圖)一般分為三個部分，輸入層，隱含層和輸出層，隨著層數(shù)的增加，神經(jīng)網(wǎng)絡學習到的特征越抽象。因此，下圖中的卷積層和全連接層的學習率也應該設置的不一樣，一般來說，卷積層設置的學習率應該更低一些，而全連接層的學習率可以適當提高。
這就是差分學習率的意思，在不同的層設置不同的學習率，可以提高神經(jīng)網(wǎng)絡的訓練效果，具體的介紹可以查看下方的連接。
上面的示例圖來自：towardsdatascience.com/transfer-le…[10]
余弦退火(cosine annealing)和熱重啟的隨機梯度下降
「余弦」就是類似于余弦函數(shù)的曲線，「退火」就是下降，「余弦退火」就是學習率類似余弦函數(shù)慢慢下降。
「熱重啟」就是在學習的過程中，「學習率」慢慢下降然后突然再「回彈」(重啟)然后繼續(xù)慢慢下降。
兩個結合起來就是下方的學習率變化圖：
更多詳細的介紹可以查看知乎機器學習算法如何調(diào)參？這里有一份神經(jīng)網(wǎng)絡學習速率設置指南[11]
以及相關論文SGDR: Stochastic Gradient Descent with Warm Restarts[12]
嘗試過擬合一個小數(shù)據(jù)集
這是一個經(jīng)典的小trick了，但是很多人并不這樣做，可以嘗試一下。
關閉正則化/隨機失活/數(shù)據(jù)擴充，使用訓練集的一小部分，讓神經(jīng)網(wǎng)絡訓練幾個周期。確保可以實現(xiàn)零損失，如果沒有，那么很可能什么地方出錯了。
多尺度訓練
多尺度訓練是一種「直接有效」的方法，通過輸入不同尺度的圖像數(shù)據(jù)集，因為神經(jīng)網(wǎng)絡卷積池化的特殊性，這樣可以讓神經(jīng)網(wǎng)絡充分地學習不同分辨率下圖像的特征，可以提高機器學習的性能。
也可以用來處理過擬合效應，在圖像數(shù)據(jù)集不是特別充足的情況下，可以先訓練小尺寸圖像，然后增大尺寸并再次訓練相同模型，這樣的思想在Yolo-v2的論文中也提到過：
需要注意的是：多尺度訓練并不是適合所有的深度學習應用，多尺度訓練可以算是特殊的數(shù)據(jù)增強方法，在圖像大小這一塊做了調(diào)整。如果有可能最好利用可視化代碼將多尺度后的圖像近距離觀察一下，「看看多尺度會對圖像的整體信息有沒有影響」，如果對圖像信息有影響的話，這樣直接訓練的話會誤導算法導致得不到應有的結果。
Cross Validation 交叉驗證
在李航的統(tǒng)計學方法中說到，交叉驗證往往是對實際應用中「數(shù)據(jù)不充足」而采用的，基本目的就是重復使用數(shù)據(jù)。在平常中我們將所有的數(shù)據(jù)分為訓練集和驗證集就已經(jīng)是簡單的交叉驗證了，可以稱為1折交叉驗證。「注意，交叉驗證和測試集沒關系，測試集是用來衡量我們的算法標準的，不參與到交叉驗證中來。」
交叉驗證只針對訓練集和驗證集。
交叉驗證是Kaggle比賽中特別推崇的一種技巧，我們經(jīng)常使用的是5-折(5-fold)交叉驗證，將訓練集分成5份，隨機挑一份做驗證集其余為訓練集，循環(huán)5次，這種比較常見計算量也不是很大。還有一種叫做leave-one-out cross validation留一交叉驗證，這種交叉驗證就是n-折交叉，n表示數(shù)據(jù)集的容量，這種方法只適合數(shù)據(jù)量比較小的情況，計算量非常大的情況很少用到這種方法。
吳恩達有一節(jié)課The nuts and bolts of building applications using deep learning[13]中也提到了。
優(yōu)化算法
按理說不同的優(yōu)化算法適合于不同的任務，不過我們大多數(shù)采用的優(yōu)化算法還是是adam和SGD+monmentum。
Adam 可以解決一堆奇奇怪怪的問題（有時 loss 降不下去，換 Adam 瞬間就好了），也可以帶來一堆奇奇怪怪的問題（比如單詞詞頻差異很大，當前 batch 沒有的單詞的詞向量也被更新；再比如Adam和L2正則結合產(chǎn)生的復雜效果）。用的時候要膽大心細，萬一遇到問題找各種魔改 Adam（比如 MaskedAdam[14], AdamW 啥的）搶救。
但看一些博客說adam的相比SGD，收斂快，但泛化能力差，更優(yōu)結果似乎需要精調(diào)SGD。
adam,adadelta等, 在小數(shù)據(jù)上,我這里實驗的效果不如sgd, sgd收斂速度會慢一些，但是最終收斂后的結果，一般都比較好。
如果使用sgd的話,可以選擇從1.0或者0.1的學習率開始,隔一段時間,在驗證集上檢查一下,如果cost沒有下降,就對學習率減半. 我看過很多論文都這么搞,我自己實驗的結果也很好. 當然,也可以先用ada系列先跑,最后快收斂的時候,更換成sgd繼續(xù)訓練.同樣也會有提升.據(jù)說adadelta一般在分類問題上效果比較好，adam在生成問題上效果比較好。
adam收斂雖快但是得到的解往往沒有sgd+momentum得到的解更好，如果不考慮時間成本的話還是用sgd吧。
adam是不需要特別調(diào)lr，sgd要多花點時間調(diào)lr和initial weights。
數(shù)據(jù)預處理方式
zero-center ,這個挺常用的.
PCA whitening,這個用的比較少。
訓練技巧
要做梯度歸一化,即算出來的梯度除以minibatch size clip c(梯度裁剪): 限制最大梯度,其實是value = sqrt(w1^2+w2^2….),如果value超過了閾值,就算一個衰減系系數(shù),讓value的值等于閾值: 5,10,15 dropout對小數(shù)據(jù)防止過擬合有很好的效果,值一般設為0.5 小數(shù)據(jù)上dropout+sgd在我的大部分實驗中，效果提升都非常明顯.因此可能的話，建議一定要嘗試一下。 dropout的位置比較有講究, 對于RNN,建議放到輸入->RNN與RNN->輸出的位置.關于RNN如何用dropout,可以參考這篇論文:http://arxiv.org/abs/1409.2329[15] 除了gate之類的地方,需要把輸出限制成0-1之外,盡量不要用sigmoid,可以用tanh或者relu之類的激活函數(shù). sigmoid函數(shù)在-4到4的區(qū)間里，才有較大的梯度。之外的區(qū)間，梯度接近0，很容易造成梯度消失問題。 輸入0均值，sigmoid函數(shù)的輸出不是0均值的。 rnn的dim和embdding size,一般從128上下開始調(diào)整. batch size,一般從128左右開始調(diào)整. batch size合適最重要,并不是越大越好. word2vec初始化,在小數(shù)據(jù)上,不僅可以有效提高收斂速度,也可以可以提高結果. 盡量對數(shù)據(jù)做shuffle LSTM 的forget gate的bias,用1.0或者更大的值做初始化,可以取得更好的結果,來自這篇論文: http://jmlr.org/proceedings/papers/v37/jozefowicz15.pdf[16] 我這里實驗設成1.0,可以提高收斂速度.實際使用中,不同的任務,可能需要嘗試不同的值. Batch Normalization據(jù)說可以提升效果，參考論文：Accelerating Deep Network Training by Reducing Internal Covariate Shift 如果你的模型包含全連接層（MLP），并且輸入和輸出大小一樣，可以考慮將MLP替換成Highway Network,我嘗試對結果有一點提升，建議作為最后提升模型的手段，原理很簡單，就是給輸出加了一個gate來控制信息的流動，詳細介紹請參考論文: http://arxiv.org/abs/1505.00387[17] 來自@張馨宇的技巧：一輪加正則，一輪不加正則，反復進行。 在數(shù)據(jù)集很大的情況下，一上來就跑全量數(shù)據(jù)。建議先用 1/100、1/10 的數(shù)據(jù)跑一跑，對模型性能和訓練時間有個底，外推一下全量數(shù)據(jù)到底需要跑多久。在沒有足夠的信心前不做大規(guī)模實驗。 subword 總是會很穩(wěn)定地漲點，只管用就對了。 GPU 上報錯時盡量放在 CPU 上重跑，錯誤信息更友好。例如 GPU 報 "ERROR:tensorflow:Model diverged with loss = NaN" 其實很有可能是輸入 ID 超出了 softmax 詞表的范圍。 在確定初始學習率的時候，從一個很小的值（例如 1e-7）開始，然后每一步指數(shù)增大學習率（例如擴大1.05 倍）進行訓練。訓練幾百步應該能觀察到損失函數(shù)隨訓練步數(shù)呈對勾形，選擇損失下降最快那一段的學習率即可。 補充一個rnn trick，仍然是不考慮時間成本的情況下，batch size=1是一個很不錯的regularizer, 起碼在某些task上,這也有可能是很多人無法復現(xiàn)alex graves實驗結果的原因之一，因為他總是把batch size設成1。 注意實驗的可復現(xiàn)性和一致性，注意養(yǎng)成良好的實驗記錄習慣 ==> 不然如何分析出實驗結論。 超參上，learning rate 最重要，推薦了解 cosine learning rate 和 cyclic learning rate，其次是 batchsize 和 weight decay。當你的模型還不錯的時候，可以試著做數(shù)據(jù)增廣和改損失函數(shù)錦上添花了。
求分享 求點贊 求在看！！！