从数据集与神经网络说起

导读:

调试神经网络是一项艰难的工作,专家也不例外。面对数百万的参数,任何一个小变动都可能使你前功尽弃。没有调试和可视化,所有你的行动就像抛硬币,而且更糟糕的是还浪费时间。下面是我搜集的实践汇总,希望有助于你提早发现问题。

 

近日,hackernoon 上出现了一篇题为《How to debug neural networks. Manual.》的文章,从数据集与神经网络两个方面分享了作者 Andrey Nikishaev 在调试神经网络方面的实践心得。调试神经网络是一项艰难的工作,专家也不例外。面对数百万的参数,任何一个小变动都可能使你前功尽弃。没有调试和可视化,所有你的行动就像抛硬币,而且更糟糕的是还浪费时间。下面是我搜集的实践汇总,希望有助于你提早发现问题。

 

数据集问题

尝试使用小数据集过拟合你的模型一般来说神经网络应该在数百次迭代中过拟合你的数据。如果你的损失值不下降,那问题存在于更深层次。

 

使用迭代逻辑解决问题

尝试构建最简单的网络解决你的主要问题,接着一步一步扩展到全局问题。比如,你正在创建风格迁移网络,首先在一张图像上训练你的脚本迁移风格。如果奏效,再接着创建用于任何图像的风格迁移模型。

 

使用具有扭曲的平衡数据集

比如训练分类数据的网络,你的训练数据应该对每一分类具有相同数量的输入。其他情况下则存在分类过拟合的可能性。神经网络对于所有的扭曲并非恒定不变,因此需要你对它们进行专门训练。制造输入扭曲将会提升网络准确度。

 

网络容量 vs 数据集大小

你的数据集应足够大,以便网络用来学习。如果你的数据集小,而网络很大,那么它会停止学习(某些情况下也会为大量的不同输入输出相同结果)。如果你有大数据,而网络很小,那么你将会看到损失值的跳跃,因为网络容量无法存储如此多的信息。

 

使用均值中心化(mean centering)

这将会从你的网络中移除噪音数据,提升训练性能,同时某些情况下有助于解决 NaN 问题。但是记住,如果你有时序数据,那么你应该使用批而不是全局中心化。

 

神经网络问题

首先尝试较简单的模型

我在很多案例中看到人们首先尝试一些标准的大型网络,比如 ResNet-50、VGG19 等,但是接着发现他们的问题通过仅有若干层的网络也能解决。因此如果你没有标准问题,首先从小网络开始吧。你添加的数据越多,模型就越难训练,因此从小网络开始会更省时。你也应该记住,大网络需要更大的内存与更多的操作。

 

可视化是必须的

如果你正使用 TensorFlow,一定要从 TensorBoard 开始。如果没有,尝试为你的框架寻找一些可视化工具,或者自己动手编写。这将对于你发现训练早期阶段的问题非常有帮助。你必须可视化的事情有:损失值、权重直方图、变量和梯度。如果你正在做计算机视觉,那要一直可视化过滤器从而理解网络实际上看到了什么。

 

权重初始化

如果你错误设置权重,由于零梯度,或者所有神经元的类似更新等,你的网络将变得无法训练。同样你也应该记住权重与学习率是成对的,因此高学习率和大权重可以导致 NaN 问题。

 

对于一些网络使用 1e-2–1e-3 左右的高斯分布初始化软件已经足够。

对于深度网络这毫无用处,因为你的权重彼此相乘了很多次,将会产生几乎消除反向传播上的梯度的非常小的数值。多亏了 Ioffe 和 Szegedy,现在我们有了批归一化,缓解了令人头疼的大量问题。使用标准网络解决标准问题存在大量的预训练模型,你可以正确使用它们。在一些情况中是这样,或者你可以使用调整技术节约训练时间。主要的想法是绝大多数网络容量对于不同问题是相同的。比如,如果我们讨论计算机视觉,它将会包含对于所有图像一样的线、点、角,并且你不需要再训练它们

 

把衰减用于学习率

这几乎每次都会给你一个提升。TensorFlow 中有大量的不同衰减

调度器

 

使用网格搜索、随机搜索或配置文件调整超参数

不要试图手动调整所有参数,这很耗时,效率低下。我经常使用全局配置调整所有参数,并在运行完检查结果后看看在哪个方向上应该进一步调查。如果这个方法没有帮助,你可以试一下随机搜索或网格搜索。

 

激活函数

 

 

1. 梯度消失问题

一些激活函数,比如 Sigmoid 和 Tanh 正在遭受饱和问题。在其极限时,它们的导数接近于零,这将会消除梯度和学习过程。因此检查不同的函数比较好。现在标准的激活函数是 ReLU。同样这一问题也出现在一个非常深度或者循环的网络中,比如你有 150 层,所有的激活值是 0.9,那么 0.9¹⁵⁰ = 0,000000137。但是正如上文所说,批归一化将有助于解决这一问题,残差层也是。

 

2. 不是零均值的激活值

比如 Sigmoid、ReLU 函数就不是零均值的。这意味着训练期间所有你的梯度将全部是正或负,并会引发学习问题。这就是为什么我们使用零均值的输入数据。

 

3. Dead ReLUs

标准的 ReLU 函数也不完美。对于负数 ReLU 给出零的问题意味着它们将不会被激活,因此你的神经元的某些部分将会死掉并永不再用。这之所以能发生是因为高学习率和错误的权重初始化。如果参数调整没有帮助,那么你可以试一下 Leaky ReLU、PReLU、ELU 或 Maxout,它们没有这一问题。

 

4. 梯度爆炸

这一问题与梯度消失相同,除却每一步梯度变的越来越大。一个主要的解决办法是使用梯度剪裁,为梯度设置基本的硬限制。

 

深度网络的精确度降级

从一些点上真正深化网络的问题开始表现为一个坏手机,因此增加更多层降低了网络精确度。解决办法是使用残差层把输入的一些部分传递到所有层。 

 

免责声明:信息仅供参考,不构成投资及交易建议。投资者据此操作,风险自担。
如果觉得文章对你有用,请随意赞赏收藏
相关推荐
相关下载
登录后评论
Copyright © 2019 宽客在线