你是如何提升深度學(xué)習(xí)模型的效果？ 

這是我經(jīng)常被問(wèn)到的一個(gè)問(wèn)題。 

有時(shí)候也會(huì)換一種問(wèn)法： 

我該如何提高模型的準(zhǔn)確率呢？ 

……或者反過(guò)來(lái)問(wèn)： 

如果我的網(wǎng)絡(luò)模型效果不好，我該怎么辦？ 

通常我的回答是：

“具體原因我不清楚，但我有一些想法可以試試?！?/span>

然后我會(huì)列舉一些我認(rèn)為能夠提升性能的方法。 

為了避免重復(fù)羅列這些內(nèi)容，我打算在本文中把它們都寫(xiě)出來(lái)。 

這些想法不僅可以用于深度學(xué)習(xí)，

事實(shí)上可以用在任何機(jī)器學(xué)習(xí)的算法上。

提升算法性能的想法

這個(gè)列表并不完整，卻是很好的出發(fā)點(diǎn)。 我的目的是給大家拋出一些想法供大家嘗試，或許有那么一兩個(gè)有效的方法。 往往只需要嘗試一個(gè)想法就能得到提升。 如果你用下面某一種想法取得了好效果，可以分享給更多的人，當(dāng)然你也可能有其它更好的想法。

我把這個(gè)列表劃分為四塊：

• 從數(shù)據(jù)上提升性能

• 從算法上提升性能

• 從算法調(diào)優(yōu)上提升性能

• 從模型融合上提升性能

性能提升的力度按上表的順序從上到下依次遞減。舉個(gè)例子，新的建模方法或者更多的數(shù)據(jù)帶來(lái)的效果提升往往好于調(diào)出最優(yōu)的參數(shù)。但這并不是絕對(duì)的，只是大多數(shù)情況下如此。 

我在文章中添加了不少經(jīng)典神經(jīng)網(wǎng)絡(luò)問(wèn)題。 其中有一些想法只是針對(duì)人工神經(jīng)網(wǎng)絡(luò)，但大多數(shù)想法都是通用性的。你可以將它們與其它技術(shù)結(jié)合起來(lái)使用。 

1.從數(shù)據(jù)上提升性能

調(diào)整訓(xùn)練數(shù)據(jù)或是問(wèn)題的抽象定義方法可能會(huì)帶來(lái)巨大的效果改善。甚至是最顯著的改善。 下面是概覽：

1. 收集更多的數(shù)據(jù)

2. 產(chǎn)生更多的數(shù)據(jù)

3. 對(duì)數(shù)據(jù)做縮放

4. 對(duì)數(shù)據(jù)做變換

5. 特征選擇

6. 重新定義問(wèn)題

1）收集更多的數(shù)據(jù)

你還能收集到更多的訓(xùn)練數(shù)據(jù)嗎？ 你的模型的質(zhì)量往往取決于你的訓(xùn)練數(shù)據(jù)的質(zhì)量。你需要確保使用的數(shù)據(jù)是針對(duì)問(wèn)題最有效的數(shù)據(jù)，你還希望數(shù)據(jù)盡可能多。 

深度學(xué)習(xí)和其它現(xiàn)代的非線性機(jī)器學(xué)習(xí)模型在大數(shù)據(jù)集上的效果更好，尤其是深度學(xué)習(xí)。這也是深度學(xué)習(xí)方法令人興奮的主要原因之一。 

請(qǐng)看下面的圖片：

什么是深度學(xué)習(xí)？(by Andrew Ng)

不總是數(shù)據(jù)閱讀效果越好，多數(shù)情況下如此。如果讓我選擇，我會(huì)選擇要更多的數(shù)據(jù)。 

2) 產(chǎn)生更多的數(shù)據(jù)

深度學(xué)習(xí)算法往往在數(shù)據(jù)量大的時(shí)候效果好，我們?cè)谏弦还?jié)已經(jīng)提到過(guò)這一點(diǎn)。 如果由于某些原因你得不到更多的數(shù)據(jù)，也可以制造一些數(shù)據(jù)。

• 如果你的數(shù)據(jù)是數(shù)值型的向量，那么隨機(jī)生成已有向量的變形向量。

• 如果你的數(shù)據(jù)是圖像，用已有的圖像隨機(jī)生成相似圖像。

• 如果你的數(shù)據(jù)是文本，做法你懂得……

這類做法通常被稱為數(shù)據(jù)擴(kuò)展或是數(shù)據(jù)生成，你可以使用生成模型，也可以用一些簡(jiǎn)單的小技巧。 

舉個(gè)例子，若是用圖像數(shù)據(jù)，簡(jiǎn)單地隨機(jī)選擇和平移已有的圖像就能取得很大的提升。它能提升模型的泛化能力，如果新的數(shù)據(jù)中包含這類變換就能得到很好的處理。 

有時(shí)候是往數(shù)據(jù)中增加噪聲，這相當(dāng)于是一種規(guī)則方法，避免過(guò)擬合訓(xùn)練數(shù)據(jù)。 

3) 對(duì)數(shù)據(jù)做縮放

此方法簡(jiǎn)單有效。 使用神經(jīng)網(wǎng)絡(luò)模型的一條經(jīng)驗(yàn)法寶就是： 將數(shù)據(jù)縮放到激活函數(shù)的閾值范圍。 

如果你使用sigmoid激活函數(shù)，將數(shù)據(jù)縮放到0~1之間。如果選用tanh激活函數(shù)，將值域控制在-1~1之間。 

輸入、輸出數(shù)據(jù)都經(jīng)過(guò)同樣的變換。比如，如果在輸出層有一個(gè)sigmoid函數(shù)將輸出值轉(zhuǎn)換為二值數(shù)據(jù)，則將輸出的y歸一化為二進(jìn)制。如果選用的是softmax函數(shù)，對(duì)y進(jìn)行歸一化還是有效的。 

我還建議你將訓(xùn)練數(shù)據(jù)擴(kuò)展生成多個(gè)不同的版本：

• 歸一化到0 ~ 1

• 歸一化到-1 ~ 1

• 標(biāo)準(zhǔn)化

然后在每個(gè)數(shù)據(jù)集上測(cè)試模型的性能，選用最好的一組生成數(shù)據(jù)。 如果更換了激活函數(shù)，最好重復(fù)做一次這個(gè)小實(shí)驗(yàn)。 

在模型中不適合計(jì)算大的數(shù)值。此外，還有許多其它方法來(lái)壓縮模型中的數(shù)據(jù)，比如對(duì)權(quán)重和激活值做歸一化，我會(huì)在后面介紹這些技巧。 

4） 對(duì)數(shù)據(jù)做變換

與上一節(jié)的方法相關(guān)，但是需要更多的工作量。 你必須真正了解所用到的數(shù)據(jù)。數(shù)據(jù)可視化，然后挑出異常值。 

先猜測(cè)每一列數(shù)據(jù)的分布：

• 這一列數(shù)據(jù)是不是傾斜的高斯分布，若是如此，嘗試用Box-Cox方法糾正傾斜

• 這一列數(shù)據(jù)是不是指數(shù)分布，若是如此，則進(jìn)行對(duì)數(shù)變換

• 這一列數(shù)據(jù)是不是存在某些特性，但是難以直觀地發(fā)現(xiàn)，嘗試一下對(duì)數(shù)據(jù)平方或者開(kāi)方

• 是否可以將特征離散化，以便更好地強(qiáng)調(diào)一些特征

憑你的直覺(jué)，嘗試幾種方法：

• 是否可以用投影的方法對(duì)數(shù)據(jù)預(yù)處理，比如PCA？

• 是否可以將多個(gè)屬性合并為單個(gè)值？

• 是否可以發(fā)掘某個(gè)新的屬性，用布爾值表示？

• 是否可以在時(shí)間尺度或是其它維度上有些新發(fā)現(xiàn)？

神經(jīng)網(wǎng)絡(luò)有特征學(xué)習(xí)的功能，它們能夠完成這些事情。 不過(guò)你若是可以將問(wèn)題的結(jié)構(gòu)更好地呈現(xiàn)出來(lái)，網(wǎng)絡(luò)模型學(xué)習(xí)的速度就會(huì)更快。 在訓(xùn)練集上快速嘗試各種變換方法，看看哪些方法有些，而哪些不起作用。 

5） 特征選擇

神經(jīng)網(wǎng)絡(luò)受不相關(guān)數(shù)據(jù)的影響很小，它們會(huì)對(duì)此賦予一個(gè)趨近于0的權(quán)重，幾乎忽略此特征對(duì)預(yù)測(cè)值的貢獻(xiàn)。 你是否可以移除訓(xùn)練數(shù)據(jù)的某些屬性呢？ 

我們有許多的特征選擇方法和特征重要性方法來(lái)鑒別哪些特征可以保留，哪些特征需要移除。 如果你的時(shí)間充裕，我還是建議在相同的神經(jīng)網(wǎng)絡(luò)模型上選擇嘗試多個(gè)方法，看看它們的效果分別如何。

• 也許用更少的特征也能得到同樣的、甚至更好的效果。

• 也許所有的特征選擇方法都選擇拋棄同一部分特征屬性。那么就真應(yīng)該好好審視這些無(wú)用的特征。

• 也許選出的這部分特征給你帶來(lái)了新的啟發(fā)，構(gòu)建出更多的新特征。

6) 問(wèn)題重構(gòu)

在回到你問(wèn)題的定義上來(lái)。 你所收集到的這些觀測(cè)數(shù)據(jù)是描述問(wèn)題的唯一途徑嗎？ 也許還有其它的途徑。也許其它途徑能更清晰地將問(wèn)題的結(jié)構(gòu)暴露出來(lái)。 

我自己非常喜歡這種練習(xí)，因?yàn)樗鼜?qiáng)迫我們拓寬思路。很難做好。尤其是當(dāng)你已經(jīng)投入大量的時(shí)間、精力、金錢在現(xiàn)有的方法上。 

即使你列舉了3 ~ 5種不同的方式，至少你對(duì)最后所選用的方式有充足的信心。

• 也許你可以將時(shí)間元素融入到一個(gè)窗口之中

• 也許你的分類問(wèn)題可以轉(zhuǎn)化為回歸問(wèn)題，反之亦然

• 也許可以把二值類型的輸出轉(zhuǎn)化為softmax的輸出

• 也許你可以對(duì)子問(wèn)題建模

深入思考問(wèn)題是一個(gè)好習(xí)慣，最好在選擇工具下手之前先完成上述步驟，以減少無(wú)效的精力投入。 無(wú)論如何，如果你正束手無(wú)策，這個(gè)簡(jiǎn)單的連續(xù)能讓你思如泉涌。 另外，你也不必拋棄前期的大量工作，詳情可以參見(jiàn)后面的章節(jié)。

2. 從算法上提升性能

機(jī)器學(xué)習(xí)總是與算法相關(guān)，所有的理論和數(shù)學(xué)知識(shí)都在描述從數(shù)據(jù)中學(xué)習(xí)決策過(guò)程的不同方法（如果我們這里僅討論預(yù)測(cè)模型）。 

你選用深度學(xué)習(xí)來(lái)求解，它是不是最合適的技術(shù)呢？ 在這一節(jié)中，我們會(huì)簡(jiǎn)單地聊一下算法的選擇，后續(xù)內(nèi)容會(huì)具體介紹如何提升深度學(xué)習(xí)的效果。 下面是概覽：

1. 算法的篩選

2. 從文獻(xiàn)中學(xué)習(xí)

3. 重采樣的方法

1） 算法的篩選

你事先不可能知道哪種算法對(duì)你的問(wèn)題效果最好，如果你已經(jīng)知道，你可能也就不需要機(jī)器學(xué)習(xí)了。 你有哪些證據(jù)可以證明現(xiàn)在已經(jīng)采用的方法是最佳選擇呢？ 

當(dāng)在所有可能出現(xiàn)的問(wèn)題上進(jìn)行效果評(píng)測(cè)時(shí)，沒(méi)有哪一項(xiàng)單獨(dú)的算法效果會(huì)好于其它算法。所有的算法都是平等的。這就是天下沒(méi)有免費(fèi)的午餐理論的要點(diǎn)。

也許你選擇的算法并不是最適合你的問(wèn)題。 現(xiàn)在，我們不指望解決所有的問(wèn)題，但當(dāng)前的熱門算法也許并不適合你的數(shù)據(jù)集。 我的建議是先收集證據(jù)，先假設(shè)有其它的合適算法適用于你的問(wèn)題。 

篩選一些常用的算法，挑出其中適用的幾個(gè)。

• 嘗試一些線性算法，比如邏輯回歸和線性判別分析

• 嘗試一些樹(shù)模型，比如CART、隨機(jī)森林和梯度提升

• 嘗試SVM和kNN等算法

• 嘗試其它的神經(jīng)網(wǎng)絡(luò)模型，比如LVQ、MLP、CNN、LSTM等等

采納效果較好的幾種方法，然后精細(xì)調(diào)解參數(shù)和數(shù)據(jù)來(lái)進(jìn)一步提升效果。 將你所選用的深度學(xué)習(xí)方法與上述這些方法比較，看看是否能擊敗他們？ 也許你可以放棄深度學(xué)習(xí)模型轉(zhuǎn)而選擇更簡(jiǎn)單模型，訓(xùn)練的速度也會(huì)更快，而且模型易于理解。 

2） 從文獻(xiàn)中學(xué)習(xí)

從文獻(xiàn)中“竊取”思路是一條捷徑。 其它人是否已經(jīng)做過(guò)和你類似的問(wèn)題，他們使用的是什么方法。 閱讀論文、書(shū)籍、問(wèn)答網(wǎng)站、教程以及Google給你提供的一切信息。 記下所有的思路，然后沿著這些方向繼續(xù)探索，這并不是重復(fù)研究，這是幫助你發(fā)現(xiàn)新的思路。

優(yōu)先選擇已經(jīng)發(fā)表的論文 ，已經(jīng)有許許多多的聰明人寫(xiě)下了很多有意思的事情。利用好這寶貴的資源吧。 

3） 重采樣的方法

你必須明白自己模型的效果如何，你估計(jì)的模型效果是否可靠呢？ 深度學(xué)習(xí)模型的訓(xùn)練速度很慢，這就意味著我們不能用標(biāo)準(zhǔn)的黃金法則來(lái)評(píng)判模型的效果，比如k折交叉驗(yàn)證。

• 也許你只是簡(jiǎn)單地把數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。如果是這樣，就需要保證切分后的數(shù)據(jù)分布保持不變。單變量統(tǒng)計(jì)和數(shù)據(jù)可視化是不錯(cuò)的方法。

• 也許你們可以擴(kuò)展硬件來(lái)提升效果。舉個(gè)例子，如果你有一個(gè)集群或是AWS的賬號(hào)，我們可以并行訓(xùn)練n個(gè)模型，然后選用它們的均值和方差來(lái)獲取更穩(wěn)定的效果。

• 也許你可以選擇一部分?jǐn)?shù)據(jù)做交叉驗(yàn)證（對(duì)于early stopping非常有效）。

• 也許你可以完全獨(dú)立地保留一部分?jǐn)?shù)據(jù)用于模型的驗(yàn)證。

另一方面，也可以讓數(shù)據(jù)集變得更小，采用更強(qiáng)的重采樣方法。

也許你會(huì)看到在采樣后的數(shù)據(jù)集上訓(xùn)練得到的模型效果與在全體數(shù)據(jù)集上訓(xùn)練得到的效果有很強(qiáng)的相關(guān)性。那么，你就可以用小數(shù)據(jù)集進(jìn)行模型的選擇，然后把最終選定的方法應(yīng)用于全體數(shù)據(jù)集上。

也許你可以任意限制數(shù)據(jù)集的規(guī)模，采樣一部分?jǐn)?shù)據(jù)，用它們完成所有的訓(xùn)練任務(wù)，你必須對(duì)模型效果的預(yù)測(cè)有十足的把握。 

3. 從算法調(diào)優(yōu)上提升性能

你通過(guò)算法篩選往往總能找出一到兩個(gè)效果不錯(cuò)的算法。但想要達(dá)到這些算法的最佳狀態(tài)需要耗費(fèi)數(shù)日、數(shù)周甚至數(shù)月。 

下面是一些想法，在調(diào)參時(shí)能有助于提升算法的性能。

• 模型可診斷性

• 權(quán)重的初始化

• 學(xué)習(xí)率

• 激活函數(shù)

• 網(wǎng)絡(luò)結(jié)構(gòu)

• batch和epoch

• 正則項(xiàng)

• 優(yōu)化目標(biāo)

• 提早結(jié)束訓(xùn)練

你可能需要指定參數(shù)來(lái)多次（3-10次甚至更多）訓(xùn)練模型，以得到預(yù)計(jì)效果最好的一組參數(shù)。對(duì)每個(gè)參數(shù)都要不斷的嘗試。 

1） 可診斷性

只有知道為何模型的性能不再有提升了，才能達(dá)到最好的效果。 是因?yàn)槟Ｐ瓦^(guò)擬合呢，還是欠擬合呢？ 千萬(wàn)牢記這個(gè)問(wèn)題，千萬(wàn)。 

模型總是處于這兩種狀態(tài)之間，只是程度不同罷了。 一種快速查看模型性能的方法就是每一步計(jì)算模型在訓(xùn)練集和驗(yàn)證集上的表現(xiàn)，將結(jié)果繪制成圖表。

在訓(xùn)練集和驗(yàn)證集上測(cè)試模型的準(zhǔn)確率

• 如果訓(xùn)練集的效果好于驗(yàn)證集，說(shuō)明可能存在過(guò)擬合的現(xiàn)象，試一試增加正則項(xiàng)。

• 如果訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率都很低，說(shuō)明可能存在欠擬合，你可以繼續(xù)提升模型的能力，延長(zhǎng)訓(xùn)練步驟。

• 如果訓(xùn)練集和驗(yàn)證集的曲線有一個(gè)焦點(diǎn)，可能需要用到early stopping的技巧了。

經(jīng)常繪制類似的圖表，深入研究并比較不同的方法，以提高模型的性能。這些圖表也許是你最有價(jià)值的診斷工具，另一種有效的診斷方法是研究模型正確預(yù)測(cè)或是錯(cuò)誤預(yù)測(cè)的樣本。 

在某些場(chǎng)景下，這種方法能給你提供一些思路。

• 也許你需要更多的難預(yù)測(cè)的樣本數(shù)據(jù)

• 也許你可以從訓(xùn)練集中刪去那些容易被學(xué)習(xí)的樣本

• 也許你可以有針對(duì)性地對(duì)不同類型的輸入數(shù)據(jù)訓(xùn)練不同的模型

2） 權(quán)重的初始化

有一條經(jīng)驗(yàn)規(guī)則：用小的隨機(jī)數(shù)初始化權(quán)重。 事實(shí)上，這可能已經(jīng)足夠了。但是這是你網(wǎng)絡(luò)模型的最佳選擇嗎？ 

不同的激活函數(shù)也可以有不同的應(yīng)對(duì)策略，但我不記得在實(shí)踐中存在什么顯著的差異。 保持你的模型結(jié)構(gòu)不變，試一試不同的初始化策略。 

記住，權(quán)重值就是你模型需要訓(xùn)練的參數(shù)。幾組不同的權(quán)重值都能取得不錯(cuò)的效果，但你想得到更好的效果。

• 嘗試所有的初始化方法，找出最好的一組初始化值

• 試一試用非監(jiān)督式方法預(yù)學(xué)習(xí)，比如自動(dòng)編碼機(jī)

• 嘗試用一組現(xiàn)有的模型權(quán)重參數(shù)，然后重新訓(xùn)練輸入和輸出層（遷移學(xué)習(xí)）

記住，修改權(quán)重初始化值的方法與修改激活函數(shù)或者目標(biāo)函數(shù)的效果相當(dāng)。 

3） 學(xué)習(xí)率

調(diào)節(jié)學(xué)習(xí)率也能帶來(lái)效果提升。 這里也有一些探索的思路：

• 嘗試非常大、非常小的學(xué)習(xí)率

• 根據(jù)參考文獻(xiàn)，在常規(guī)值附近用網(wǎng)格化搜索

• 嘗試使用逐步減小的學(xué)習(xí)率

• 嘗試每隔固定訓(xùn)練步驟衰減的學(xué)習(xí)率

• 嘗試增加一個(gè)向量值，然后用網(wǎng)格搜索

大的網(wǎng)絡(luò)模型需要更多的訓(xùn)練步驟，反之亦然。如果你添加了更多的神經(jīng)節(jié)點(diǎn)和網(wǎng)絡(luò)層，請(qǐng)加大學(xué)習(xí)率。 學(xué)習(xí)率與訓(xùn)練步驟、batch大小和優(yōu)化方法都有耦合關(guān)系。

4） 激活函數(shù)

也許你應(yīng)該選用ReLU激活函數(shù)，僅僅因?yàn)樗鼈兊男Ч谩?nbsp;在ReLU之前流行sigmoid和tanh，然后是輸出層的softmax、線性和sigmoid函數(shù)。除此之外，我不建議嘗試其它的選擇。 

這三種函數(shù)都試一試，記得把輸入數(shù)據(jù)歸一化到它們的值域范圍。 顯然，你需要根據(jù)輸出內(nèi)容的形式選擇轉(zhuǎn)移函數(shù)。 比方說(shuō)，將二值分類的sigmoid函數(shù)改為回歸問(wèn)題的線性函數(shù)，然后對(duì)輸出值進(jìn)行再處理。同時(shí)，可能需要調(diào)整合適的損失函數(shù)。在數(shù)據(jù)轉(zhuǎn)換章節(jié)去尋找更多的思路吧。 

5） 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

調(diào)整網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也會(huì)有一些幫助。 你需要設(shè)計(jì)多少個(gè)節(jié)點(diǎn)，需要幾層網(wǎng)絡(luò)呢？ 別打聽(tīng)了，鬼知道是多少。 你必須自己找到一組合理的參數(shù)配置。

• 試一試加一層有許多節(jié)點(diǎn)的隱藏層（拓寬）

• 試一試一個(gè)深層的神經(jīng)網(wǎng)絡(luò)，每層節(jié)點(diǎn)較少（縱深）

• 嘗試將上面兩種組合

• 嘗試模仿近期發(fā)表的問(wèn)題類似的論文

• 嘗試拓?fù)淠Ｊ胶蜁?shū)本上的經(jīng)典技巧（參考下方的鏈接）

這是一個(gè)難題。越大的網(wǎng)絡(luò)模型有越強(qiáng)的表達(dá)能力，也許你就需要這樣一個(gè)。 更多晨的結(jié)構(gòu)提供了抽象特征的更多結(jié)構(gòu)化組合的可能，也許你也需要這樣一個(gè)網(wǎng)絡(luò)。 后期的網(wǎng)絡(luò)模型需要更多的訓(xùn)練過(guò)程，需要不斷地調(diào)節(jié)訓(xùn)練步長(zhǎng)和學(xué)習(xí)率。 

6） batch和epoch

batch的大小決定了梯度值，以及權(quán)重更新的頻率。一個(gè)epoch指的是訓(xùn)練集的所有樣本都參與了一輪訓(xùn)練，以batch為序。 

你嘗試過(guò)不同的batch大小和epoch的次數(shù)嗎？ 在前文中，我們已經(jīng)討論了學(xué)習(xí)率、網(wǎng)絡(luò)大小和epoch次數(shù)的關(guān)系。 

深度學(xué)習(xí)模型常用小的batch和大的epoch以及反復(fù)多次的訓(xùn)練，這或許對(duì)你的問(wèn)題會(huì)有幫助。

• 嘗試將batch大小設(shè)置為全體訓(xùn)練集的大小（batch learning）

• 嘗試將batch大小設(shè)置為1（online learning）

• 用網(wǎng)格搜索嘗試不同大小的mini-batch（8，16，32，…）

• 嘗試再訓(xùn)練幾輪epoch，然后繼續(xù)訓(xùn)練很多輪epoch

嘗試設(shè)置一個(gè)近似于無(wú)限大的epoch次數(shù)，然后快照一些中間結(jié)果，尋找效果最好的模型。 有些模型結(jié)構(gòu)對(duì)batch的大小很敏感。我覺(jué)得多層感知器對(duì)batch的大小很不敏感，而LSTM和CNN則非常敏感，但這都是仁者見(jiàn)仁。

7） 正則項(xiàng)

正則化是克服訓(xùn)練數(shù)據(jù)過(guò)擬合的好方法。 最近熱門的正則化方法是dropout，你試過(guò)嗎？ Dropout方法在訓(xùn)練過(guò)程中隨機(jī)地略過(guò)一些神經(jīng)節(jié)點(diǎn)，強(qiáng)制讓同一層的其它節(jié)點(diǎn)接管。簡(jiǎn)單卻有效的方法。

• 權(quán)重衰減來(lái)懲罰大的權(quán)重值

• 激活限制來(lái)懲罰大的激活函數(shù)值

嘗試用各種懲罰措施和懲罰項(xiàng)進(jìn)行實(shí)驗(yàn)，比如L1、L2和兩者之和。 

8） 優(yōu)化方法和損失函數(shù)

以往主要的求解方法是隨機(jī)梯度下降，然而現(xiàn)在有許許多多的優(yōu)化器。 你嘗試過(guò)不同的優(yōu)化策略嗎？ 隨機(jī)梯度下降是默認(rèn)的方法。先用它得到一個(gè)結(jié)果，然后調(diào)節(jié)不同的學(xué)習(xí)率、動(dòng)量值進(jìn)行優(yōu)化。 

許多更高級(jí)的優(yōu)化方法都用到更多的參數(shù)，結(jié)構(gòu)更復(fù)雜，收斂速度更快。這取決于你的問(wèn)題，各有利弊吧。 

為了壓榨現(xiàn)有方法的更多潛力，你真的需要深入鉆研每個(gè)參數(shù)，然后用網(wǎng)格搜索法測(cè)試不同的取值。過(guò)程很艱辛，很花時(shí)間，但值得去嘗試。 

我發(fā)現(xiàn)更新/更流行的方法收斂速度更快，能夠快速了解某個(gè)網(wǎng)絡(luò)拓?fù)涞臐摿?，例如?/span>

• ADAM
  

• RMSprop

你也可以探索其它的優(yōu)化算法，例如更傳統(tǒng)的算法（Levenberg-Marquardt）和比較新的算法（基因算法）。其它方法能給SGD創(chuàng)造好的開(kāi)端，便于后續(xù)調(diào)優(yōu)。 

待優(yōu)化的損失函數(shù)則與你需要解決的問(wèn)題更相關(guān)。 不過(guò)，也有一些常用的伎倆（比如回歸問(wèn)題常用MSE和MAE），換個(gè)損失函數(shù)有時(shí)也會(huì)帶來(lái)意外收獲。同樣，這可能也與你輸入數(shù)據(jù)的尺度以及所使用的激活函數(shù)相關(guān)。 

9） Early Stopping

你可以在模型性能開(kāi)始下降的時(shí)候停止訓(xùn)練。 這幫我們節(jié)省了大量時(shí)間，也許因此就能使用更精細(xì)的重采樣方法來(lái)評(píng)價(jià)模型了。 

early stopping也是防止數(shù)據(jù)過(guò)擬合的一種正則化方法，需要你在每輪訓(xùn)練結(jié)束后觀察模型在訓(xùn)練集和驗(yàn)證集上的效果。一旦模型在驗(yàn)證集上的效果下降了，則可以停止訓(xùn)練。你也可以設(shè)置檢查點(diǎn)，保存當(dāng)時(shí)的狀態(tài)，然后模型可以繼續(xù)學(xué)習(xí)。 

4. 用融合方法提升效果

你可以將多個(gè)模型的預(yù)測(cè)結(jié)果融合，繼模型調(diào)優(yōu)之后，這是另一個(gè)大的提升領(lǐng)域。事實(shí)上，往往將幾個(gè)效果還可以的模型的預(yù)測(cè)結(jié)果融合，取得的效果要比多個(gè)精細(xì)調(diào)優(yōu)的模型分別預(yù)測(cè)的效果好。 

我們來(lái)看一下模型融合的三個(gè)主要方向：

1. 模型融合

2. 視角融合

3. stacking

1） 模型融合

不必挑選出一個(gè)模型，而是將它們集成。 如果你訓(xùn)練了多個(gè)深度學(xué)習(xí)模型，每一個(gè)的效果都不錯(cuò)，則將它們的預(yù)測(cè)結(jié)果取均值。 

模型的差異越大，效果越好。舉個(gè)例子，你可以使用差異很大的網(wǎng)絡(luò)拓?fù)浜图记伞?nbsp;

如果每個(gè)模型都獨(dú)立且有效，那么集成后的結(jié)果效果更穩(wěn)定。 

相反的，你也可以反過(guò)來(lái)做實(shí)驗(yàn)。 每次訓(xùn)練網(wǎng)絡(luò)模型時(shí)，都以不同的方式初始化，最后的權(quán)重也收斂到不同的值。多次重復(fù)這個(gè)過(guò)程生成多個(gè)網(wǎng)絡(luò)模型，然后集成這些模型的預(yù)測(cè)結(jié)果。它們的預(yù)測(cè)結(jié)果會(huì)高度相關(guān)，但對(duì)于比較難預(yù)測(cè)的樣本也許會(huì)有一點(diǎn)提升。

2） 視角融合

如上一節(jié)提到的，以不同的角度來(lái)訓(xùn)練模型，或是重新刻畫(huà)問(wèn)題。 我們的目的還是得到有用的模型，但是方式不同（如不相關(guān)的預(yù)測(cè)結(jié)果）。 

你可以根據(jù)上文中提到的方法，對(duì)訓(xùn)練數(shù)據(jù)采取完全不同的縮放和變換技巧。 所選用的變化方式和問(wèn)題的刻畫(huà)角度差異越大，效果提升的可能性也越大，簡(jiǎn)單地對(duì)預(yù)測(cè)結(jié)果取均值是一個(gè)不錯(cuò)的方式。

3）stacking

你還可以學(xué)習(xí)如何將各個(gè)模型的預(yù)測(cè)結(jié)果相融合。 這被稱作是stacked泛化，或者簡(jiǎn)稱為stacking。 通常，可以用簡(jiǎn)單的線性回歸的方式學(xué)習(xí)各個(gè)模型預(yù)測(cè)值的權(quán)重。 把各個(gè)模型預(yù)測(cè)結(jié)果取均值的方法作為baseline，用帶權(quán)重的融合作為實(shí)驗(yàn)組。

- DataCastle -