吴恩达Deep Learning 1-3周重点集锦

偏执的太偏执、 2022-03-30 11:42 174阅读 0赞

http://www.ai-start.com/dl2017/

## 第一门课 Neural Networks and Deep Learning神经网络和深度学习 ##

### 第一周 Introduction to Deep Learning 深度学习引言 ###

*  ReLU激活函数，全称Rectified Linear Unit修正线性单元  f ( x ) = m a x ( 0 , x ) f(x) = max(0,x) f(x)=max(0,x)
 *  为什么深度学习会兴起？有时间回看一遍
 *  传统的SVM等算法无法有效利用海量数据提升性能，而深度网络可以

### 第二周 Basics of Neural Network programming神经网络编程基础 ###

*  sigmoid函数 f ( z ) = 1 1 + e − z f(z) = \\frac\{1\}\{1+e^\{-z\}\} f(z)=1\+e−z1
 *  实现神经网络时，将权重 w w w和偏置 b b b分开比较好
 *  损失函数(loss function):衡量算法在单个样本的表现如何；代价函数(cost function)：衡量算法在全部训练样本上的表现，损失函数求和取均值。
 *  计算图计算梯度核心：从右向左执行链式法则
 *  2.9-2.18 可以再看一遍视频，有时间的话

### 第三周 Shallow neural networks 浅层神经网络 ###

*   \[ m \] ^\{\[m\]\} \[m\] 表示第 m m m层网络中节点相关的数，这些节点的集合被称为第 m m m层网络
 *   ( i ) ^\{(i)\} (i) 表示单个训练样本 i i i，第 i i i个训练样本
 *  传统惯例上输入层作为第0层，我们可将输入层的特征 x 1 , x 2 , x 3 x\_1,x\_2,x\_3 x1,x2,x3等标记为 a \[ 0 \] a^\{\[0\]\} a\[0\]，即输入层的激活值
 *   a k \[ m \] a^\{\[m\]\}\_\{k\} ak\[m\]表示第 m m m层的第 k k k个神经单元
 *  向量化 3.3-3.5

#### 激活函数 ####

*  tanh函数是zero-mean的，所以效果比sigmoid好
 *  二分类问题中，由于输出层y的值是0或1,希望预测是\\hat\{y\}也介于0和1之间，所以使用sigmoid函数
 *  sigmoid函数和tanh函数共同缺点，在z很大或很小时，导数梯度会变得很小，发生梯度弥散现象
 *  经验法则：如果是二分类输出0和1，输出层选择sigmoid函数，其它所有单元都选择ReLU函数
 *  ReLU和leakly ReLU优点：计算速度快；不会产生梯度弥散
 *  Leakly Relu不会产生所谓的稀疏性
 *  线性激活函数（恒等激励函数，把输入值输出）， a = z a = z a=z，即 g ( z ) = z g(z) = z g(z)=z

#### 反向传播 ####

3.10 看视频

#### 随机初始化 ####

*  如果将权重 W W W全都初始化为0，梯度下降将不起作用。因为初始化为0后，隐含单元所做的工作都是一样的，它们完全对称
 *  随机初始化 W W W，可以使用`np.random.randn(2,2)`生成高斯分布，再乘上一个很小的数，使得 W W W初始化为很小对的随机数。
 *   b b b不存在对称问题(symmetry breaking problem)，可以初始化为0
 *  为什么倾向于初始化很小的随机数呢？因为 W W W如果过大，计算激活值时, z = W x + b z=Wx+b z=Wx\+b很容易过大或过小，梯度消失，学习很慢

## 第二门课 Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization 改善深层神经网络：超参数调试、正则化、及优化 ##

### 第一周 Practical aspects of Deep Learning 深度学习的实践层面 ###

*  训练数据分为三部分，训练集+简单交叉验证集(dev set/val set)+测试集
 *  验证集目的在于验证不同的算法，检验哪种算法更有效
 *  测试集的目的在于正确评估分类器性能，对最终选定的神经网络系统做无偏估计
 *  小数据量时代（一般一万以下），常见做法是所有数据三七分，三分测试集，七分训练集；或者60%训练集，20%验证集，20%测试集
 *  大数据量时代（一百万以上），验证集和测试集各占1%；或者训练集可以占99.5%,验证和测试集各0.25%；或者验证集0.4%,测试集0.1%
 *  尽量确保验证集和测试集来自统一分布
 *  没有测试集也不要紧。只有验证集，通过验证集迭代选出适用的模型，不是无偏估计。这里验证集可以改称为“训练验证集”。

#### 偏差 方差 ####

*  高偏差(high bias)，欠拟合(underfitting)
 *  高方差(high variance)，过拟合(overfitting)
 *  适度拟合(just right)
 *  可以通过几个指标研究bias和variance，训练集误差(train set error)，测试集误差(dev set error)和最优误差（贝叶斯误差）。偏差和方差要基于最优误差来考虑
 *  偏差和方差都高的情况在高维数据比较常见，就是会过度拟合部分数据，而欠拟合另一部分数据。
 *  一般先分析偏差，再降方差。
 *  偏差高，需要评估训练集或训练数据的性能。尝试新的网络架构，选择新的优化算法等等；高偏差问题增加训练书句作用不大。
 *  方差高，正则化。

#### 正则化 ####

*  逻辑回归。
    
     *  L2正则。 w w w欧几里得范数的平方。欧几里得法线，向量参数 w w w的L2范数
     *  参数 w w w通常为一个高维参数矢量，已可表达高偏差问题； b b b可以不加
     *  L1正则，使用的是 w w w的L1范数， w w w最终是稀疏的
     *  人们更多倾向于使用L2正则。
 *  神经网络
    
     *   ∣ ∣ W \[ l \] ∣ ∣ F 2 ||W^\{\[l\]\}||\_F^2 ∣∣W\[l\]∣∣F2 矩阵的 W W W的范数平方，被称为"弗罗贝尼乌斯范数"，用下标F标注，表示矩阵中所有元素平方和
     *  L2正则，权重衰减
 *  正则化预防过拟合原因：避免 W W W矩阵过大。如果 λ \\lambda λ足够大， W W W中很多元素会接近0，很多隐藏单元的影响被消除，神经网络简化，网络会从过度拟合状态更接近高偏差状态。这个状态转化过程中中间有一个just right的状态，就是我们要的
 *  另一种想法，如果 z z z跟小，激活函数的那一段是线性状态，网络会十分简单

#### dropout正则化 ####

*  dropout遍历网络的每一层，并设置消除神经网络中节点的概率
 *  设置完节点概率，我们会消除节点和节点相关的连线。最后得到一个节点更少，规模更小的网络，然后用backprop方法训练。
 *  常用的dropout方法为inverted dropout，反向随机失活
    
     *  keep-prob参数，保留节点概率
     *  消除节点后，需要向外扩展，除以keep-prob参数 == 》为了不影响下一层的均值（期望），简化计算
     *  测试阶段不使用dropout函数
     *  dropout使得神经元尽量不依赖与任一特征，更加平均地分布权重，因此权重的平方范数会被收缩。与L2正则类似
     *  每层的keep-prob可以不同。当某层过拟合现象严重时，可以降低keep-prob。或者可以某层使用dropout，某层不用，应用dropout层的keep-prob值相同。第一种方法缺点是超参数较多，第二种方法缺点是没有第一种灵活
     *  dropout在视觉领域应用较多
     *  除非算法过拟合，一般不用dropout。
     *  dropout的另一个缺点，代价函数 J J J不再明确定义，很难复查和调试。一般要先关闭dropout，保证 J J J单调递减；再打开dropout，调试。

#### 其它正则化方法 ####

*  数据扩增：水平翻转、裁剪
 *  早停法(early stopping):
    
     *  绘制验证集误差，在验证集误差的最小值停止训练，得到中等 w w w大小的FANSHU1
     *  缺点是：同时处理了代价函数 J J J的优化问题和过拟合问题，没有“正交化”(一个时间做一个任务)。使得要处理的问题变复杂。
     *  优点：一次梯度下降即可找到 w w w的较小值，中间值和较大值。无需尝试L2正则化超参数KaTeX parse error: Undefined control sequence: \\lamda at position 1: \\̲l̲a̲m̲d̲a̲的很多值
     *  归一化输入：
        
         *  计算均值 μ \\mu μ和方差 σ 2 \\sigma^2 σ2，实现零均值和归一化方差。
         *  测试集使用训练集已经计算好的均值 μ \\mu μ和方差 σ 2 \\sigma^2 σ2
         *  使用原因是：在输入特征处于不同范围内时，归一化使得代价函数更容易优化；若处于相似范围内，则效果不大。
 *  在深度神经网络中，激活函数将以指数级递增或递减，引发梯度消失和梯度爆炸问题

1.11-1.14间看视频

#### 神经网络的权重初始化 ####

*  如果神经网络中的神经元数量 n n n越大，希望 w i w\_i wi越小。因为我们希望最终的 z z z小
 *  减小 w i w\_i wi的方法可以乘以 1 n l − 1 \\sqrt \{\\frac\{1\}\{n^\{l-1\}\}\} nl−11
 *  如果用Relu，可以将方差设置为 2 n \\frac\{2\}\{n\} n2
 *  如果用tanh，可以将方差设置为 1 n l − 1 \\frac\{1\}\{n^\{l-1\}\} nl−11

## 第二周 Optimization algorithms 优化算法 ##

#### mini-batch梯度下降 ####

*  batch设为训练集大小 m m m，就是批梯度下降算法(batch gradient descent)
 *  batch设为1，就是随机梯度下降(stochastic gradient descent)，不会收敛，会在最小值附近波动。
 *  实践中最好选择不大不小的mini-batch尺寸，一般为 2 n 2^n 2n,且要符合cpu/gpu内存，64-512,
 *  好处有二：
    
     *  大量向量化，提升速度。batch=1会失去向量化的优势，效率底下。
     *  无需等待整个训练集被处理完。

#### 指数加权平均 Exponentially weighted averages ####

v t = β v t − 1 + ( 1 − β ) θ t v\_t = \\beta v\_\{t-1\} + (1-\\beta) \\theta\_t vt=βvt−1\+(1−β)θt

*  计算时可将 v t − 1 v\_\{t-1\} vt−1视为 1 1 − β \\frac\{1\}\{1-\\beta\} 1−β1天的平均温度
 *   β \\beta β值较高时，曲线较平坦，波动更小；缺点是曲线适应缓慢，会延迟，在图像上表现是曲线右移
 *   β \\beta β值较低时，曲线有更多噪声，但能更快适应温度变化

假设 β = 0.9 \\beta=0.9 β=0.9，将 v 100 v\_\{100\} v100展开  
 v 1 00 = 0.1 θ 100 + 0.1 × ( 0.9 ) × θ 99 + 0.1 × ( 0.9 ) 2 × θ 98 + 0.1 × ( 0.9 ) 3 × θ 97 v\_100 = 0.1\\theta\_\{100\} +0.1 \\times (0.9) \\times \\theta\_\{99\} + 0.1 \\times (0.9)^2 \\times \\theta\_\{98\} + 0.1 \\times (0.9)^3 \\times \\theta\_\{97\} v100=0.1θ100\+0.1×(0.9)×θ99\+0.1×(0.9)2×θ98\+0.1×(0.9)3×θ97

*  这些系数想加起来逼近1，称之为偏差修正
 *  计算平均多少天的温度，可以通过计算 ( 1 − ϵ ) 1 ϵ (1-\\epsilon)^\{\\frac\{1\}\{\\epsilon\}\} (1−ϵ)ϵ1是否等于 1 e \\frac\{1\}\{e\} e1得到
 *  指数加权平均的优势在于占用极少内存
 *  如果初始化 v 0 = 0 v\_0=0 v0=0，加权平均地前几天的估测都会较低。可以使用 v t 1 − β t \\frac\{v\_t\}\{1-\\beta^t\} 1−βtvt进行偏差修正。随着t的增加， β t \\beta^t βt接近0，所以在初期偏差修正才起作用。

#### Momentum 动量梯度下降法 ####

*  计算梯度的指数加权平均，并利用该梯度更新你的权重
 *  在每次迭代 t t t中
    
     *  正常计算 d W dW dW和 d b db db
     *   v d W = β v d W + ( 1 − β ) d W v\_\{dW\} = \\beta v\_\{dW\} + (1-\\beta) dW vdW=βvdW\+(1−β)dW
     *   v d b = β v d b + ( 1 − β ) d b v\_\{db\} = \\beta v\_\{db\} + (1-\\beta) db vdb=βvdb\+(1−β)db
     *   W = W − α v d W W = W- \\alpha v\_\{dW\} W=W−αvdW
     *   b = b − α v d b b = b- \\alpha v\_\{db\} b=b−αvdb

β \\beta β常用0.9

#### RMSprop 均方根prop算法 ####

*  root mean square prop算法
 *  在每次迭代 t t t中
    
     *  正常计算 d W dW dW和 d b db db
     *   S d W = β S d W + ( 1 − β ) ( d W ) 2 S\_\{dW\} = \\beta S\_\{dW\} + (1-\\beta) (dW)^2 SdW=βSdW\+(1−β)(dW)2
     *   S d b = β S d b + ( 1 − β ) ( d b ) 2 S\_\{db\} = \\beta S\_\{db\} + (1-\\beta) (db)^2 Sdb=βSdb\+(1−β)(db)2
     *   W = W − α d W S d W W = W- \\alpha \\frac\{dW\}\{\\sqrt\{S\_\{dW\}\}\} W=W−αSdWdW
     *   b = b − α d b S d b b = b- \\alpha \\frac\{db\}\{\\sqrt\{S\_\{db\}\}\} b=b−αSdbdb
 *  它可以帮助我们消除不同方向的摆动，可以使用更大的学习率，而无需担心在维度方向上的偏离
 *  实际操作中，为了避免除以0，会在分母上加一个很小的 ϵ = 1 0 − 8 \\epsilon = 10^\{-8\} ϵ=10−8，保证数值稳定

#### Adam ####

*  Adaptive Moment Estimation 适应性动量估计法，基本上是结合了Momentum和RMSprop算法
 *  初始化 v d W = 0 , S d W = 0 v\_\{dW\}=0,S\_\{dW\}=0 vdW=0,SdW=0,b同理
 *  在每次迭代 t t t中  
    正常计算 d W dW dW
 *   v d W = β 1 v d W + ( 1 − β 1 ) d W v\_\{dW\} = \\beta\_1 v\_\{dW\} + (1-\\beta\_1) dW vdW=β1vdW\+(1−β1)dW
 *   S d W = β 2 S d W + ( 1 − β 2 ) ( d W ) 2 S\_\{dW\} = \\beta\_2 S\_\{dW\} + (1-\\beta\_2)(dW)^2 SdW=β2SdW\+(1−β2)(dW)2
 *   v d W c o r = v d W 1 − β 1 t v\_\{dW\}^\{cor\} = \\frac\{v\_\{dW\}\}\{1-\\beta\_1^\{t\}\} vdWcor=1−β1tvdW
 *   S d W c o r = S d W 1 − β 2 t S\_\{dW\}^\{cor\} = \\frac\{S\_\{dW\}\}\{1-\\beta\_2^\{t\}\} SdWcor=1−β2tSdW
 *   W = W − α v d W c o r S d W c o r + ϵ W = W - \\alpha \\frac\{v\_\{dW\}^\{cor\}\}\{\\sqrt\{S\_\{dW\}^\{cor\}\} + \\epsilon\} W=W−αSdWcor\+ϵvdWcor

β 1 = 0.9 , β 2 = 0.999 , ϵ = 1 0 − 8 \\beta\_1 = 0.9, \\beta\_2 = 0.999, \\epsilon = 10^\{-8\} β1=0.9,β2=0.999,ϵ=10−8

#### 学习率衰减 ####

*  随时间减少学习率，加快学习算法收敛
 *  衰减方法
    
     *   α = 1 1 + 衰 减 率 ∗ e p o c h α 0 \\alpha = \\frac\{1\}\{1+衰减率\*epoch\}\\alpha\_0 α=1\+衰减率∗epoch1α0
     *  指数衰减  α = 0.9 5 e p o c h α 0 \\alpha = 0.95^\{epoch\} \\alpha\_0 α=0.95epochα0
     *  离散下降(discrete stair cease)，一段时间学习率降一半
     *   α = k e p o c h α 0 \\alpha = \\frac\{k\}\{\\sqrt\{epoch\}\} \\alpha\_0 α=epochkα0
 *  鞍点，梯度为0的点。高维学习常常碰到鞍点，而非局部最优点。

## 第三周 Hyperparameter tuning ##

*  超参数取值两个策略：
    
     *  随机取点
     *  粗糙到精细
 *  随机取值并非在有效范围内随机均匀取值，而是选择合适的标尺来探究这些超参数
 *  使用对数标尺搜索超参数
 *  指数加权平均值 β \\beta β可通过给 1 − β 1-\\beta 1−β取值得到

两种超参数调试方法：

*  Babysitting one model,照看一个模型，观察表现，并耐心调试学习率。适用于：有庞大数据，但是计算资源不足 (pandas 熊猫方式)
 *  Training many models in parallel:同时实验多种模型，设置超参数让它自己运行。适用于：计算资源足够（鱼子酱方式 caviar）

### Batch Normalization ###

对每个隐藏层，真正归一化的是 z z z而非激活 a a a

μ = 1 m ∑ i z ( i ) \\mu = \\frac\{1\}\{m\} \\sum\_i z^\{(i)\} μ=m1i∑z(i)  
 σ 2 = 1 m ∑ i ( z ( i ) − μ ) 2 \\sigma^2 = \\frac\{1\}\{m\} \\sum\_i (z^\{(i)-\\mu)^2\} σ2=m1i∑(z(i)−μ)2  
 z n o r m ( i ) = z ( i ) − μ σ 2 + ϵ z\_\{norm\}^\{(i)\} = \\frac\{z\_\{(i)-\\mu\}\}\{\\sqrt\{\\sigma\}^2+\\epsilon\} znorm(i)=σ2\+ϵz(i)−μ  
 z ^ n o r m ( i ) = γ z n o r m ( i ) + β \\hat\{z\}\_\{norm\}^\{(i)\} = \\gamma z\_\{norm\}^\{(i)\} + \\beta z^norm(i)=γznorm(i)\+β

若 γ = σ 2 + ϵ , β = μ \\gamma = \\sqrt\{\\sigma\}^2+\\epsilon, \\beta=\\mu γ=σ2\+ϵ,β=μ，相当于最后归一化得到的 z z z与原 z z z恒等。通过调节 γ \\gamma γ和 β \\beta β，可以调节隐藏单元值得分布。

将BN拟合进神经网络，神经网络反向更新参数时会更新每层的 γ \\gamma γ和 β \\beta β  
由于要进算均值，所以 b b b没有用了，必须去掉它，由 β \[ l \] \\beta^\{\[l\]\} β\[l\]代替

BN有用的原因

*  和先前归一化一样，可以使不同维度的特征有类似的范围
 *  使深层的权重更能经受住变化。如果前层数据的分布改变(covariate shift，协变量转移)，后层的数据也要改变以适应变化的分布。由于BN限制了前层分布的均值和方差，使得后层更容易适应前层的变化。
    
     *  它减弱了前层参数的作用与后层参数作用之间的联系，使得每层网络都可以自己学习，稍稍独立与其它层，加速整个网络的学习
     *  增加噪声，轻微正则化。  
        【较大的mini-batch，会减小正则化效果】

测试时的BN得到 μ \\mu μ和 σ 2 \\sigma^2 σ2的方法是指数加权平均。利用每次mini-batch得到的 μ \\mu μ和 σ 2 \\sigma^2 σ2来做加权平均。

softmax，线性决策边界？？？