7個實用技巧，讓您的深度神經(jīng)網(wǎng)絡發(fā)揮最大作用

深度學習已經(jīng)成為解決許多具有挑戰(zhàn)性的現(xiàn)實世界問題的方法。對目標檢測，語音識別和語言翻譯來說，這是迄今為止表現(xiàn)最好的方法。許多人將深度神經(jīng)網(wǎng)絡（DNNs）視為神奇的黑盒子，我們放進去一堆數(shù)據(jù)，出來的就是我們的解決方案！事實上，事情沒那么簡單。

在設計和應用DNN到一個特定的問題上可能會遇到很多挑戰(zhàn)。為了達到現(xiàn)實世界應用所需的性能標準，對數(shù)據(jù)準備，網(wǎng)絡設計，訓練和推斷等各個階段的正確設計和執(zhí)行至關重要。在這里，我將與大家分享7個實用技巧，讓您的深度神經(jīng)網(wǎng)絡發(fā)揮最大作用。

1 - 數(shù)據(jù)，數(shù)據(jù)，數(shù)據(jù)

這不是一個大秘密。一直工作得很好的深度學習機器需要燃料 - 大量的燃料; 燃料是數(shù)據(jù)。我們擁有的標記數(shù)據(jù)越多，模型的表現(xiàn)就越好。更多的數(shù)據(jù)導致更好的性能，已經(jīng)由谷歌大規(guī)模的探索3億圖像的數(shù)據(jù)集印證！

在實際應用中部署Deep Learning模型時，您應該不斷地為其提供更多的數(shù)據(jù)和微調(diào)以繼續(xù)提高其性能。喂飽怪獸：如果你想提高你的模型的性能，那就獲得更多的數(shù)據(jù)！

不斷增加的數(shù)據(jù)產(chǎn)生更好的性能

2 - 你應該使用哪個優(yōu)化器？

多年來，已經(jīng)開發(fā)了許多梯度下降優(yōu)化算法，各有其優(yōu)缺點。一些最流行的包括：

· 隨機梯度下降（SGD）+動量方法

· Adam

· RMSprop

· Adadelta

RMSprop，Adadelta和Adam被認為是自適應優(yōu)化算法，因為它們會自動更新學習速率。使用SGD時，您必須手動選擇學習率和動量參數(shù)，通常會隨著時間的推移而降低學習率。

在實踐中，自適應優(yōu)化器傾向于比SGD更快地收斂，然而，他們的最終表現(xiàn)通常稍差。SGD通常會達到更好的最小值，從而獲得更好的最終準確性，但這可能需要比某些優(yōu)化程序長得多的時間。它也更依賴于強大的初始化和學習速率衰減時間表，這在實踐中可能非常困難。

因此，如果你需要一些快速的結果，或者只是想測試一個新的技術，選擇自適應優(yōu)化器。我發(fā)現(xiàn)Adam很容易使用，因為它對你選擇完美的學習率并不是很敏感。如果您想獲得絕對最佳的最終表現(xiàn)，請使用SGD + Momentum，并使用學習率，衰減和動量值來最大化表現(xiàn)。

兩全其美的方法有木有！

它最近的研究顯示，你可以做到兩全其美：高速訓練頂尖的性能通過切換從Adam到SGD！這個想法是，訓練的早期階段實際上是SGD對參數(shù)調(diào)整和初始化非常敏感的時候。因此，我們可以通過使用Adam來啟動我們的訓練，這將使您節(jié)省相當長的時間，而不必擔心初始化和參數(shù)調(diào)整。那么，一旦Adam運轉起來，我們可以切換到SGD +動量優(yōu)化，以達到最佳性能！

Adam vs SGD表現(xiàn)。由于魯棒性和自適應學習速度，Adam在一開始表現(xiàn)更好，而SGD最終達到更好的全局最小值。

3 - 如何處理不平衡的數(shù)據(jù)

在很多情況下，您將處理不平衡的 數(shù)據(jù)，特別是在現(xiàn)實世界的應用程序中。舉一個簡單而實際的例子：為了安全起見，您正在訓練您的深度網(wǎng)絡以預測視頻流中是否有人持有致命武器。但是在你的訓練數(shù)據(jù)中，你只有50個拿著武器的人的視頻和1000個沒有武器的人的視頻！如果你只是用這些數(shù)據(jù)來訓練你的網(wǎng)絡，那么你的模型肯定會非常偏向于預測沒有人有武器！

有幾件事你可以做到這一點：

· 在損失函數(shù)中使用類權重：本質(zhì)上，代表性不足的類在損失函數(shù)中獲得更高的權重，因此對該特定類的任何錯誤分類將導致?lián)p失函數(shù)中的非常高的誤差。

· 過度抽樣：重復一些包含代表性不足的訓練樣例，有助于平衡分配。如果可用的數(shù)據(jù)很小，這最好。

· 欠采樣：您可以簡單地跳過一些包含過度表示類的訓練示例。如果可用數(shù)據(jù)非常大，這最好。

· 數(shù)據(jù)增加為少數(shù)類：您可以綜合創(chuàng)建更多的代表性不足的訓練示例！例如，在前面檢測致命武器的例子中，你可以改變屬于具有致命武器的類別的視頻的一些顏色和光照。

4 - 遷移學習

正如我們在第一個提示中所看到的，深層網(wǎng)絡需要大量的數(shù)據(jù)。不幸的是，對于許多新的應用程序來說，這些數(shù)據(jù)可能很難并且花費很高。如果我們希望我們的模型表現(xiàn)良好，我們可能需要數(shù)十或數(shù)十萬個新的訓練樣例進行訓練。如果數(shù)據(jù)集不易獲取，則必須全部收集并手動標記。

這就是遷移學習的起點。通過遷移學習，我們不需要太多的數(shù)據(jù)！這個想法是從一個以前在數(shù)百萬圖像上訓練過的網(wǎng)絡開始的，比如在ImageNet上預訓練的ResNet。然后，我們將通過僅重新訓練最后幾個層并使其他層獨立來微調(diào)ResNet模型。那樣的話，我們正在將ResNet從數(shù)百萬圖像中學到的信息（圖像特征）進行微調(diào)，以便我們可以將它應用于不同的任務。這是可能的，因為跨域的圖像的特征信息通常非常相似，但是這些特征的分析可以根據(jù)應用而不同。

一個基本的遷移學習通道

5 - 快速簡單的數(shù)據(jù)增強，以提高性能

我們現(xiàn)在說過幾次：更多的數(shù)據(jù)=更好的表現(xiàn)。除了遷移學習之外，另一種快速而簡單的方法來提高模型的性能，即數(shù)據(jù)增強。數(shù)據(jù)增強涉及通過在使用原始類別標簽的同時通過改變數(shù)據(jù)集中的一些原始圖像來生成合成訓練示例。例如，圖像數(shù)據(jù)增強的常見方式包括：

· 水平和垂直旋轉或翻轉圖像

· 改變圖像的亮度和顏色

· 隨機模糊圖像

· 隨機從圖像裁剪補丁

基本上，你可以進行任何改變，改變圖像的外觀，但不是整體的內(nèi)容，即你可以制作一個藍色的狗的照片，但你仍然應該能夠清楚地看到，照片上是一個狗。

數(shù)據(jù)裂變！

6 - 訓練模型的合奏！

在機器學習中，集合訓練多個模型，然后將它們組合在一起以獲得更高的性能。因此，這個想法是在相同的數(shù)據(jù)集上訓練同一個任務上的多個深度網(wǎng)絡模型。模型的結果然后可以通過投票方案來進行組合，即具有最高票數(shù)的勝出。

為了確保所有模型不同，可以使用隨機權重初始化和隨機數(shù)據(jù)增強。眾所周知，由于使用了多個模型，因此集合通常比單個模型精確得多，因此從不同角度接近任務。在現(xiàn)實世界的應用中，尤其是挑戰(zhàn)或競爭中，幾乎所有頂級模型都使用合奏。

合奏模型

7 - 加快修剪

我們知道模型精度隨深度而增加，但速度又如何呢？更多的圖層意味著更多的參數(shù)，更多的參數(shù)意味著更多的計算，更多的內(nèi)存消耗和更慢的速度。理想情況下，我們希望在提高速度的同時保持高精度。我們可以通過修剪來做到這一點。

深度神經(jīng)網(wǎng)絡修剪的步驟

這個想法是，在網(wǎng)絡中的許多參數(shù)中，有些是多余的，對輸出沒有太大貢獻。如果您可以根據(jù)對網(wǎng)絡的貢獻排列網(wǎng)絡中的神經(jīng)元，則可以從網(wǎng)絡中移除低排名的神經(jīng)元，從而形成更小，更快的網(wǎng)絡?？梢愿鶕?jù)神經(jīng)元權重的L1 / L2均值，平均激活，一些驗證集上神經(jīng)元不為零的次數(shù)以及其他創(chuàng)造性方法來進行排序。獲得更快/更小的網(wǎng)絡對于在移動設備上運行深度學習網(wǎng)絡非常重要。

修剪網(wǎng)絡的最基本的方法是簡單地放棄某些卷積濾波器。在近期的一篇文章中，這樣做是相當成功的。這項工作中的神經(jīng)元排名相當簡單：它是每個濾波器權重的L1范數(shù)。在每個修剪迭代中，他們對所有的過濾器進行排序，在全部層中修剪m個排名最低的過濾器，重新訓練和重復！

在近期的另一篇分析剩余網(wǎng)絡結構的文章中提出了修剪過濾器的一個關鍵洞察。作者指出，在刪除層的時候，具有剩余快捷連接的網(wǎng)絡（例如ResNets）與沒有使用任何快捷連接的網(wǎng)絡（如VGG或AlexNet）相比，保留更加良好的精度并且穩(wěn)健得多。這個有趣的發(fā)現(xiàn)具有重要的實際意義，因為它告訴我們在修剪網(wǎng)絡進行部署和應用時，網(wǎng)絡設計是至關重要的（使用ResNets?。?。所以使用最新最好的方法總是很好的！