|
怎么办？这里是我总结的一些方式，希望对你有所帮助。 数据集问题尝试用小数据集来过拟合你的模型 一般来说，几百次迭代后神经网络就会对数据过拟合。如果损失还不下降，那么问题可能就深了。 运用迭代逻辑来搞定问题 先建立一个最小的网络来搞定核心问题，然后一步一步扩展到全局问题。比方构建一个风格迁移网络，应该首先在一张图片上训练。成功之后，再构建一个可以对任意图片实现风格迁移的模型。 运用带有失真的平衡数据集 以训练模型进行数据分类为例，每一类的输入训练数据量应该一致。不然会出现某一类的过拟合。神经网络对于所有失真应该具有不变性，你需要特别训练这一点。所以输入一些失真数据，有助于提升网络的准确率。 网络容量与数据大小 数据集应该足以让网络完成学习。如果大网络配上小数据集，学习过程就会停止，有可能一大堆输入都得出同样的输出。如果小网络配上大数据集，你会遇见损失的跳跃，因为网络容量存储不了这么多信息。 运用平均中心化 这有助于从网络中去除噪音数据，并且提升训练效果，在某些情况下还有助于搞定NaN问题。不过切记对于时间序列数据，应该运用批量中心化而不是全局。 神经网络问题首先尝试简单的模型 我看到太多人一上来就尝试ResNet-50、VGG19等标准的大型网络，结果发现他们的问题其实只要几层网络就能搞定。所以如果不是有什么恋大的情结，麻烦你从小型网络开始着手。 增加的东西越多，越难训练出一个搞定问题的模型。从小网络开始训练，可以节省更多的时间。以及，大网络会占用更多的内存和运算。 必须可视化 如果用TensorFlow，那就必须用Tensorboard。否则，请为你的框架找到别的可视化工具，或者自己写一个。因为这有助于你在训练早期阶段发现问题。你应该明确的看到这些数据：损失、权重直方图、变量和梯度。 如果是处理计算机视觉方面的工作，始终要对过滤器进行可视化，这样才能清楚的了解网络正在看到的是什么内容。 权重初始化 如果不能正确的设置权重，你的网络可能会因为梯度消失等原因变得无法学习。以及你要知道权重和学习率互相结合，大学习率和大权重可能致使NaN问题。 对于小型网络，在1e-2~1e-3附近运用一些高斯分布初始化器就够了。 对于深层网络这没什么用，因为权重将相乘多次，这会带来非常小的数字，几乎可以消除反向传播那步的梯度。多亏了Ioffe和Szegedy，我们现在有了Batch-Normalization（批量归一化），这能减少好多麻烦。 标准问题运用标准网络 有很多你立马就能用的预训练模型。在某些情况下，你可以直接运用这些模型，也可以进行微调节省训练时间。核心思想是，对于不同的问题，大多数网络的容量是一样的。比方，搞计算机视觉，那么网络的第一层就是由简单的过滤器构成，例如线、点等等，所有的图片都是如此，根本不需要重新训练。 运用学习率衰减 这总能对你有所帮助。TensorFlow里面有很多可以用的衰减调度器。 运用网格搜索或随机搜索或配置文件来调整超参数 不要手动检查所有的参数，这样耗时而且低效。我通常对所有参数运用全局配置，检查运行结果之后，我会进一步研究改进的方向。如果这种方式没有帮助，那么你可以运用随机搜索或者网格搜索。 关于激活函数
例如Sigmoid以及Tanh等激活函数存在饱和问题，也就是在函数的一端，激活函数的导数会趋近于零，这会“杀死”梯度和学习过程。所以换用不同的激活函数是个好主意。现在标准的激活函数是ReLU。 此外这个问题也可能出现在非常深或者循环网络中，例如对于一个150层的网络，所有的激活函数都给定为0.9，那么0.9 = 0,000000137。正如我上面提到的，批量归一化有助于搞定这个问题。 2、非零中心激活函数 Sigmoid、ReLU都不是以零为中心的激活函数。这意味着在训练期间，所有的梯度都将是正（或者负）的，这会致使学习过程中出现问题。这也是为什么我们运用零中心化的输入数据。 3、无效ReLU 标准的ReLU函数也不完美。对于负数，ReLU会给出0，这意味着函数没有激活。换句话说，神经元有一部分从未被运用过。发生这种情况的原因，主要是运用了大学习率以及错误的权重初始化。如果参数调整不能帮你搞定这个问题，可以尝试Leaky ReLU、PReLU、ELU或者Maxout等函数。 4、梯度爆炸 这个问题与梯度消失差不多，只不过是每一步梯度越来越大。一个搞定的方案是运用梯度裁剪，也就是给梯度下了一个硬限制。 深层网络的网络精度退化 非常深层的网络有个问题，就是会从某些点开始表现就完全崩了。这是因为增加更多的层会让网络的精度降低。搞定的办法是运用残差层，保证部分输入可以穿过所有层。残差网络如下图所示。
|
