| desc | |
| 神经网络问题的解决 |
1. 网络调不了
1) init 的工作
2) 想办法找pre train 去 fine tuning
3) batch normalization 减小依赖度
4) 别用 sigmoid
2. 准确率上不去 或者 早停止 了，即：validate 或者 交叉验证集 上的loss 不再下降，但是 train 上可能还会下降，此时是一个瓶颈，即 还有办法做
1) 调 lr，halved the α步长
即 准确率上不去 有哪些method
|
| 关于 tensorFlow |
1. caffe model zoo 可以转化为 TF 的
2. 可视化中间的过程，然后可以实时监控
|
| CNN 的几个层 |
data
conv
pooling 下采样
激励层
全连接
softmax
|
| SGD 与 全局梯度下降的对比 |
SGD
优点：可以跳过局部最优点
缺点：但是loss 曲线会震荡，即不是每次都是 loss 下降的（上一个data 按照其梯度下降了，但是 next data 可能loss 还是很大，甚至比原来上升了）
全局GD：
优点：每次loss 都在稳定的下降
缺点：很可能收敛到局部极值
因此两者 balance 就是 mini-batch
多个batch随机，可能收敛到全局最优
多个batch，每次全局 loss 降低 速度加快
单次看不一定是下降的，长期看是下降的
|
| 现在工业界的激活函数 | 一般都是 RELU 了 |
| RNN 很多是全连接的 |
· 数据维度变更也是全连接
· LSTM 的参数是 全连接相乘
· 对于 RNN 的参数也是全连接
所以可能用到 Batch Normalizaiton
|
|
两个对神经网络工程化的理解
【important】
|
1. 关于初始化的重要性，但是你从没有考虑过：
受这个伤了，重要性占 整个网络的 60%！！！
2. 因为有这种 layer input 成为全 0的现象 或者 ±1 震荡
所以才会有：监控可视化，作为一个模块单独引入在 TF 中
|
| 全零初始化 |
如果全部的w都是0，那么这里：
四个input都是一模一样的 ，下一层的两个input 也是一模一样的了
传回来的梯度也一模一样，再传入也是一模一样
即：所有的 cell 在学习同一个东西
但是希望：希望参数非对称，分化出不同的权重 ，从而学习不同的角度
结论：不可取
 |
|
小值的正态随机初始化
|
层次不深，可行；层次深，不可行
因为传到后面，input layer X 也都成了全0
|
| 大值的正态随机初始化 |
节点容易饱和
即：每次的输出 sigmiod(wx+b) 后的输出是 ±1，相当于 wx+b 这个值很大
此时的 梯度接近于 消失
|
|
理论求证
对于 非ReLU 的层
|
让初始化的范围与 input 与 output 的节点的个数相关
这样初始化，可以保证：
输入层序列的方差和输出层序列的方差是一致的
因为经过推到这个可以看出是 与 神经元个数相关的
|
|
理论求证
对于 ReLU 的层
|
或者
这样的初始化，其实就是在原基础上 把 根号n 变为
|
| batch normalization |
中心极限定理：不管X 服从什么分布，只要 Xi 独立同分布
那么 这几个 Xi 的和就服从 正态分布
这里相当于 n 为1，那么 处理过的 X' 服从 N(0,1) 的标准正态分布
 然后因为正态分布化以后，这个对原始信息的表征是有损失的
还要使用r 和 β通过线性组合来进行信息的还原，
用这个 Y 作为新的next layer 的输入【important】
|
| BN 层的位置 |
一般 BN 接在FC 后面的 ，是因为FC 的输出的波动状况会更大
conv 层 后面其实还是没那么大波动
现在的CNN 已经开始有多个FC层
这是有可能的，只要计算力够，然后再需要BN
|
| batch normalization的好处 |
1. 降低对init 的敏感度，因为降低了 全0 或者 ±1饱和的情况，因此传导计算也流畅
2. 属于一种正则化，即 input 被约束在一定范围内
FC 的学习能力是强的，在尽可能记录原始信息， 所以在一个幅度大的范围内进行信息表征，所以输出的vector 的波动大，目的是：能记录所有的信息
现在的约束是 在一定的空间范围内进行学习，只能在这个范围内将信息表示出来，所以可以视为一种正则化
|
| batch normalization 解决的问题不是 梯度相关的，而是 input 相关的 |
所以其实最大的问题就是 input 全都成了0，那么输出也都是 0 了
这可能使得网络训练不下去，此时的梯度很大
而 batch normalization 就是解决这个 input layer X 分布不均与的问题
如果 input 很大——> 梯度消失
如果 input 全0 ——> 梯度很大
|
| Alex 的地位 |
就是给后面的网络一个很好的初始化
其它的往往使得网络训练不下去，你不知道考虑这个init，即太脆弱了
三大网络：
Alex net，GoogleLeNet，VGG，resNet
都是给后面提供了 fine tuning 的借鉴
而 VGG 都是在 Alex 的基础上训练出来的
|
| 去均值的两种情况 |
1. 按：像素点：
32 * 32 个像素点，按照 element wise 的求均值，
即一共有：32*32*3 个均值
2. 按通道：
只有三个均值，即便是同一张图片内的所有像素点，同一个通道的都要相加，
这个方法比较粗暴
|
| 如何理解加入 noise | 加一些noise，使得学习这些 noise，从而更健壮 |
| 对牛顿法的观点 | 可以理解为2阶的SGD，会更快，但是对内存要求大 |
| 对深度学习的认识 | 深度学习极强，如果技巧得当 讲一个 task 做好，其实不是 理论上多么强，而是 工程能力好，而 普通的 model，是没有这么强的灵活性的 |
| 对 dropout 的认识 |
神经网络中 倾向于 不使用 L2 norm
因为神经网络的参数量太大，而 L2 norm 这个量级的计算太大
所以使用的是 dropout
|
| 预测过程的dropout |
预测的时候怎么做？
1. 所有的 x 乘以 概率值p， 而不是再0-1化的开关损失了，此时是连续化的
2. 训练的时候所有有dropout 的layer 都 x'=x/p
那么预测的时候什么都不用做，即学的时候就是 x/p的参数
|
| 为什么dropout 能防止过拟合 |
1. 别开启所有的学习单元，遗忘一定的细节
2. 每次训练过程中都随机关掉一部分感知器，每次得到一个新模型
那么调参的方向将会是 多个模型的综合，不至于听一家所言
|
| 多类别分类 |
损失函数使用：互熵损失最好
对于多类别，其实是 两个序列，尤其是看做两个 概率分布
|
| caffe 的使用步骤 |
· 图像转数据库
· 定义层次结构
· 定义solver # 训练时候的参数
使用 caffe 可以规范化 你的很多 tech
即：如果你搞懂每个参数的含义的化
使用caffe 的时候，可以将前面的学习率为指定为 0，即不调整前面，只训练后面的一个分类器
|
|
对于超参数的一个角度
不是静止的而是触发式调整
|
即：learning rate 和 weight decay 都是超参数，
是可以动态调整出来的
一开始肯定 欠拟合，所以不必weight decay ，然后再去 decay
这个就是精细化 过程
其实：欠拟合 与 过拟合 是时间轴上的关系
|
| 一个跑前的技巧 |
首先是小数据集（100张图片等） ，准确率应该收敛到100%
如果到不了 100%，那么网络是有问题的
# 注：这个是没有的正则化 和 dropout 的情况，因为正则化是其到不了100%的
|
| tensor flow |
比 caffe 强在：即 多机器上的GPU 它也可以用， 即分布式训练
而这个 caffe 是不能用到多服务器上的GPU的 ，它可以用一台机器上的多个GPU
|
| 关于中间过程可视化 |
1. 对于隐层的可视化
 2. 对于 每一个 epoch 的可视化
 |