深度学习模型训练技巧
2016-07-30 10:30
543 查看
训练深度神经网络的时候需要注意的一些小技巧
1、准备数据:务必保证有大量、高质量并且带有干净标签的数据,没有如此的数据,学习是不可能的
2、预处理:这个不多说,就是0均值和1方差化
3、minibatch:建议值128,1最好,但是效率不高,但是千万不要用过大的数值,否则很容易过拟合
4、梯度归一化:其实就是计算出来梯度之后,要除以minibatch的数量。这个不多解释
5、下面主要集中说下学习率
总的来说是用一个一般的学习率开始,然后逐渐的减小它
一个建议值是0.1,适用于很多NN的问题,一般倾向于小一点。
一个对于调度学习率的建议:如果在验证集上性能不再增加就让学习率除以2或者5,然后继续,学习率会一直变得很小,到最后就可以停止训练了。
很多人用的一个设计学习率的原则就是监测一个比率(每次更新梯度的norm除以当前weight的norm),如果这个比率在10-3附近,如果小于这个值,学习会很慢,如果大于这个值,那么学习很不稳定,由此会带来失败。
6、使用验证集,可以知道什么时候开始降低学习率,和什么时候停止训练。
7、关于对weight初始化的选择的一些建议:
如果你很懒,直接用0.02*randn(num_params)来初始化,当然别的值你也可以去尝试
如果上面那个不太好使,那么久依次初始化每一个weight矩阵用init_scale / sqrt(layer_width) * randn,init_scale可以被设置为0.1或者1
初始化参数对结果的影响至关重要,要引起重视。
在深度网络中,随机初始化权重,使用SGD的话一般处理的都不好,这是因为初始化的权重太小了。这种情况下对于浅层网络有效,但是当足够深的时候就不行了,因为weight更新的时候,是靠很多weight相乘的,越乘越小,有点类似梯度消失的意思(这句话是我加的)
8、如果训练RNN或者LSTM,务必保证gradient的norm被约束在15或者5(前提还是要先归一化gradient),这一点在RNN和LSTM中很重要。
9、检查下梯度,如果是你自己计算的梯度。
10、如果使用LSTM来解决长时依赖的问题,记得初始化bias的时候要大一点
12、尽可能想办法多的扩增训练数据,如果使用的是图像数据,不妨对图像做一点扭转啊之类的,来扩充数据训练集合。
13、使用dropout
14、评价最终结果的时候,多做几次,然后平均一下他们的结果。
相关文章推荐
- 深度学习模型训练技巧
- 模型训练技巧(待续)
- 手把手:我的深度学习模型训练好了,然后要做啥?
- [置顶] 深度学习模型训练流程
- 深度学习 - 模型训练 技巧
- 手把手:我的深度学习模型训练好了,然后要做啥?
- 引用次数最多的深度学习论文出自谁手?(最优化/训练技巧篇)
- 【深度学习】笔记7: CNN训练Cifar-10技巧 ---如何进行实验,如何进行构建自己的网络模型,提高精度
- 数据不够怎么训练深度学习模型?不妨试试迁移学习
- 用CNTK搞深度学习 (二) 训练基于RNN的自然语言模型 ( language model )
- SSD模型训练技巧小结
- caffe模型训练小技巧
- 深度学习(十四):详解Matconvnet使用imagenet模型训练自己的数据集
- 使用GOOGLE COLAB训练深度学习模型
- 选择性的加载网络模型的前几层训练(27)---《深度学习》
- CS231n 卷积神经网络与计算机视觉 7 神经网络训练技巧汇总 梯度检验 参数更新 超参数优化 模型融合 等
- PyTorch(三)——使用训练好的模型测试自己图片
- OpenAI推新程序包:GPU适应十倍大模型仅需增加20%训练时间
- Tensorflow深度学习入门——优化训练MNIST数据和调用训练模型识别图片
- 百度DMLC分布式深度机器学习开源项目(简称“深盟”)上线了如xgboost(速度快效果好的Boosting模型)、CXXNET(极致的C++深度学习库)、Minerva(高效灵活的并行深度学习引擎)以及Parameter Server(一小时训练600T数据)等产品,在语音识别、OCR识别、人脸识别以及计算效率提升上发布了多个成熟产品。