導(dǎo)讀

Deep learning在訓(xùn)練的時候往往有很多trick，不可否認(rèn)這些trick也是DL成功的關(guān)鍵因素之一，所謂“the devil is in the details”。除了batch大小的改變以及初始化等trick，還有哪些提升performance的利器？

Focal Loss

針對類別不平衡問題，用預(yù)測概率對不同類別的loss進(jìn)行加權(quán)。Focal loss對CE loss增加了一個調(diào)制系數(shù)來降低容易樣本的權(quán)重值，使得訓(xùn)練過程更加關(guān)注困難樣本。

loss = -np.log(p) 
loss = (1-p)^G * loss

Dropout

隨機(jī)丟棄，抑制過擬合，提高模型魯棒性。

Normalization

Batch Normalization 于2015年由 Google 提出，開 Normalization 之先河。其規(guī)范化針對單個神經(jīng)元進(jìn)行，利用網(wǎng)絡(luò)訓(xùn)練時一個 mini-batch 的數(shù)據(jù)來計算該神經(jīng)元的均值和方差,因而稱為 Batch Normalization。

x = (x - x.mean()) / x.std()

relu

用極簡的方式實現(xiàn)非線性激活，緩解梯度消失。

x = max(x, 0)

Cyclic LR

每隔一段時間重啟學(xué)習(xí)率，這樣在單位時間內(nèi)能收斂到多個局部最小值，可以得到很多個模型做集成。

scheduler = lambda x: ((LR_INIT-LR_MIN)/2)*(np.cos(PI*(np.mod(x-1,CYCLE)/(CYCLE)))+1)+LR_MIN

With Flooding

當(dāng)training loss大于一個閾值時，進(jìn)行正常的梯度下降；當(dāng)training loss低于閾值時，會反過來進(jìn)行梯度上升，讓training loss保持在一個閾值附近，讓模型持續(xù)進(jìn)行"random walk"，并期望模型能被優(yōu)化到一個平坦的損失區(qū)域，這樣發(fā)現(xiàn)test loss進(jìn)行了double decent。

flood = (loss - b).abs() + b

Group Normalization

Face book AI research（FAIR）吳育昕-愷明聯(lián)合推出重磅新作Group Normalization（GN），提出使用Group Normalization 替代深度學(xué)習(xí)里程碑式的工作Batch normalization。一句話概括，Group Normbalization（GN）是一種新的深度學(xué)習(xí)歸一化方式，可以替代BN。

def GroupNorm(x, gamma, beta, G, eps=1e-5):
    # x: input features with shape [N,C,H,W]
    # gamma, beta: scale and offset, with shape [1,C,1,1]
    # G: number of groups for GN
    N, C, H, W = x.shape
    x = tf.reshape(x, [N, G, C // G, H, W])
    mean, var = tf.nn.moments(x, [2, 3, 4], keep dims=True)
    x = (x - mean) / tf.sqrt(var + eps)
    x = tf.reshape(x, [N, C, H, W])
    return x * gamma + beta

Label Smoothing

abel smoothing將hard label轉(zhuǎn)變成soft label，使網(wǎng)絡(luò)優(yōu)化更加平滑。標(biāo)簽平滑是用于深度神經(jīng)網(wǎng)絡(luò)（DNN）的有效正則化工具，該工具通過在均勻分布和hard標(biāo)簽之間應(yīng)用加權(quán)平均值來生成soft標(biāo)簽。它通常用于減少訓(xùn)練DNN的過擬合問題并進(jìn)一步提高分類性能。

targets = (1 - label_smooth) * targets + label_smooth / num_classes

?

?

Wasserstein GAN

徹底解決GAN訓(xùn)練不穩(wěn)定的問題，不再需要小心平衡生成器和判別器的訓(xùn)練程度

基本解決了Collapse mode的問題，確保了生成樣本的多樣性訓(xùn)練過程中終于有一個像交叉熵、準(zhǔn)確率這樣的數(shù)值來指示

訓(xùn)練的進(jìn)程，數(shù)值越小代表GAN訓(xùn)練得越好，代表生成器產(chǎn)生的圖像質(zhì)量越高

不需要精心設(shè)計的網(wǎng)絡(luò)架構(gòu)，最簡單的多層全連接網(wǎng)絡(luò)就可以做到以上3點。

Skip Connection

一種網(wǎng)絡(luò)結(jié)構(gòu)，提供恒等映射的能力，保證模型不會因網(wǎng)絡(luò)變深而退化。

F(x) = F(x) + x

參考文獻(xiàn)

https://www.zhihu.com/question/427088601

https://arxiv.org/pdf/1701.07875.pdf

https://zhuanlan.zhihu.com/p/25071913

https://www.zhihu.com/people/yuconan/posts

#?回答二

作者：永無止境

來源鏈接：

https://www.zhihu.com/question/30712664/answer/1341368789

在噪聲較強(qiáng)的時候，可以考慮采用軟閾值化作為激活函數(shù)：

軟閾值化幾乎是降噪的必備步驟，但是閾值τ該怎么設(shè)置呢？

閾值τ不能太大，否則所有的輸出都是零，就沒有意義了。而且，閾值不能為負(fù)。

針對這個問題，深度殘差收縮網(wǎng)絡(luò)[1][2]提供了一個思路，設(shè)計了一個特殊的子網(wǎng)絡(luò)來自動設(shè)置：

Zhao M, Zhong S, Fu X, Tang B, Pecht M. Deep residual shrinkage networks for fault diagnosis. IEEE Transactions on Industrial Informatics. 2019 Sep 26;16(7):4681-90.

參考：

^深度殘差收縮網(wǎng)絡(luò)：從刪除冗余特征的靈活度進(jìn)行探討?https://zhuanlan.zhihu.com/p/118493090 ^深度殘差收縮網(wǎng)絡(luò)：一種面向強(qiáng)噪聲數(shù)據(jù)的深度學(xué)習(xí)方法?https://zhuanlan.zhihu.com/p/115241985 ?

#?回答三

作者：馮遷

來源鏈接：https://www.zhihu.com/question/30712664/answer/1816283937

贊比較多的給了些，損失函數(shù)(focal)，模型結(jié)構(gòu)（identity skip)，訓(xùn)練方面（strategy on learning rate),穩(wěn)定性方面（normalization）,復(fù)雜泛化性（drop out），宜優(yōu)化性（relu,smooth label)等，這些都可以擴(kuò)展。

focal 可以擴(kuò)展到centernet loss，結(jié)構(gòu)有尺度fpn，重復(fù)模塊，堆疊concatenate，splite，cross fusion等，訓(xùn)練方面有teaching，step learning，對抗（本身是個思想），多階段優(yōu)化，progress learning，穩(wěn)定性方面，batch normal，instance normal，group normal之外，還有譜范數(shù)等，復(fù)雜性還有正則l1/2等，宜優(yōu)化性，可以擴(kuò)展到檢測的anchor等。

dl你得說優(yōu)化器吧，把動量，一二階考慮進(jìn)來，梯度方向和一階動量的折中方向，把隨機(jī)考慮進(jìn)來sgd

以上可能帶來最多10的收益，你得搞數(shù)據(jù)啊

數(shù)據(jù)方面的處理clean，various ，distribution,aug data等更重要(逃…

“理論”在收斂速度，穩(wěn)定，泛化，通用，合理等方面著手，性能在數(shù)據(jù)方面著手，也許

編輯：黃飛

?