机器学习、深度神经网络的认识与结论

0. 深度神经网络的分类

General DL

FC：Fully Connected

Sequence Models：

1D 数据

RNN、LSTM

Image

2D、3D

CNN

Unsupervised Learning

Reinforcement Learning

1. iteration vs epoch

iteraton：迭代次数，表达的是样本内部，当分类精度达到饱和或者叫分类精度收敛时，迭代停止，最终执行的迭代次数是不定的。

epoch：表达的是样本间，进行一次epoch，对全体样本进行一次学习与训练。当然样本与样本都是相同，也即使用相同样本进行的训练。epoch的次数是固定的，除非发生early stopping。

反映在代码中：

while epoch < epochs:       # for j in range(epochs):
epoch += 1
for mini_batch_index in range(n_train_batches):
iter = (epoch-1)*n_train_batches + mini_batch_index
# 迭代次数以mini_batch为单位

2. 关于validation_data

机器学习（监督学习）有关的数据形式：

training data

test data

validation data

Instead of using the test_data to prevent overfitting（避免模型过于复杂）, we will use the validation_data.

也即我们使用validation_data避免过拟合，而不是使用test_data。

我们不仅通过validation data的使用避免过拟合，更一般地，我们使用validation data进行超参的选择。

3. validation data 与 early stopping

我们在validation data上所做的工作和在test data上做的工作是一样的，那就是在每次epoch（一次epoch，表示对全部数据进行一次训练，当然在对全部数据进行训练时也可采用**S**tochastic **G**radient **D**escent的学习方法）结束之时，计算这次的分类精度。一旦在validation data上的分类精度出现了饱和的情况（也即增高不显著），我们就停止训练。这种策略就叫做early stopping。

当然在实际中，我们也并非立刻就能知道何时发生精确率的饱和现象。我们将继续对模型的训练，直到我们有足够的自信确定精确率发生饱和。