在上一节中，我们介绍了如何使用Pytorch来搭建一个经典的分类神经网络。一般情况下，搭建完模型后训练不会一次就能达到比较好的效果，这样，就需要不断的调整和优化模型的各个部分。从而引出了本文的主旨：如何优化模型。
在本节中，我们将介绍从数据集到模型各个部分的调整，从而可以有一个完整的解决思路。
1、数据集部分
1.1 数据集划分
一般情况下，我们会把数据集分成三个部分：训练集，验证集和测试集。依据数据集的大小，如果数据集比较大，数万或数十万个，可以将数据集采用7：2：1或8：1：1的比例来划分。而如果数据集比较小，只有几百条，就不能简单的使用这个方法了。这时，需要使用K折验证法（具体方法可自行百度）。
当然，还有一些需要考虑的问题：数据表征，时间敏感性和数据冗余。在数据表征中，随机打乱（shuffle）是一个不错的选择；时间敏感性主要是针对回归问题象预测股票，不同的月份对回归结果有一个不同的贡献；数据冗余指的是，在数据集中，存在着一些相同的数据会对训练和测试结果产生影响，所以，需要事先过滤掉。
1.2数据预处理
数据向量化：数据源形式各异，需要提前把它转换成框架可以识别的形式，Pytorch统一使用向量（Vector）来表示数据。
正则化：数据的范围大小不一，如果直接使用，训练的收敛会很慢，甚至会出现异常。所以，需要统一数据的范围大小，也就是去除纲量，使用【0，1】区间来统一度量。
缺失数据的处理：如果没有对缺失数据进行处理，训练过程中会直接导致数据的权重分配异常，进而直接影响训练效果。
特征工程：对数据集的特征进行有效提取，是保证模型正常训练的前提。
1.3过拟合与欠拟合
过拟合：训练效果好而验证效果不好。
欠拟合：训练效果不好。
欠拟合的处理相对容易些，针对欠拟合，我们一般采用加大训练周期，降低训练损失，提高训练精度。
过拟合策略：
1、获取更多数据
2、减小网络规模
原始模型： class Architecture1(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(Architecture1, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes) self.relu = nn.ReLU() self.fc3 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) out = self.relu(out) out = self.fc3(out) return out
减小规模后的模型： class Architecture2(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(Architecture2, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out
3、使用权重正则化
正则化分为1阶正则化和2阶正则化
1阶正则化是将权重协相关系数的相差绝对值加入权重。
2阶正则化是将权重协相关系数的相差平方和加入权重。示例如下：
model = Architecture1(10,20,2)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, weight_decay=1e-5)
4、使用DROPOUT
在隐藏层中去除某些节点，以达到防止过拟合的问题。
dropout的比率为0.2：
dropout的比率为0.5
nn.dropout(x, training=True)
1.4问题定义与数据集获取
首先需要明确两个事情：问题的类别与数据的输入，确定是分类问题还是回归问题。
不同类别的问题有着不同的处理方法，对数据集的获取也是必须面对的一大难题。
1.5模型评估
对于分类问题，一般采用精度，ROC，AUC等方法来进行评估。
而对于排名问题，一般采用mAp。
2、模型部分
2.1 搭建完基础模型后，为了使该模型能够正常工作，我们需要做以下三部分工作：
1、选择网络输出的最后一层
不同的任务，输出最后一层也不尽相同。一般的回归问题只要输出一个标量就可以；向量回归问题则需要输出相同层的向量；对于BBOX问题，则需要输出四个值；对于
二分类，我们需要使用Sigmoid，对于多分类则使用softmax。
2、选择损失函数
对于分类问题，一般采用交叉熵损失；而对于回归问题，则采用均方差。
3、优化器
如何选择一个优化器及配置相关参数是一件非常有艺术性的事。有时需要通过实验来得到。很多时候：Adam和RMSProp是个不错的选择。
Problem type Activation function Loss function Binary classification Sigmoid activation nn.CrossEntropyLoss() Multi-class classification Softmax activation nn.CrossEntropyLoss() Multi-label classification Sigmoid activation nn.CrossEntropyLoss() Regression None MSE Vector regression None MSE
2.2 提高模型规模
对于一个已搭建好的模型，如何提高模型的推理能力。可以从这三方面来提高：
1、增加更多的层
2、加入更多的权重系数
3、提高训练周期
2.3 加入泛化策略
1、加入dropout
2、使用不同的架构，不同的参数，不同的网络层数，权重。
3、使用L1或L2正则化
4、尝试不同的学习率
5、增加更多的数据或特征
2.4学习率的设置
学习率对于模型来说，是一个非常重要的超参数。它的设置很多时候直接决定着模型训练效果的好坏。所以，如何设置该参数就变得非常重要。有大量的研究就是针对于该参数进行的。
在Pytorch中，有一系列的方法：
1、stepLR：
scheduler = StepLR(optimizer, step_size=30, gamma=0.1) #step_size：多少个周期后学习率发生改变 gamma:学习率如何你改变 for epoch in range(100): scheduler.step() train(...) validate(...)
2、MultiStepLR
scheduler = MultiStepLR(optimizer, milestones=[30,80], gamma=0.1)
#milestones：多少个周期后学习率发生改变 gamma:学习率如何你改变
for epoch in range(100): scheduler.step() train(...) validate(...)
3、ExponentialLR
4、ReduceLROnPlateau
optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9) scheduler = ReduceLROnPlateau(optimizer, 'min') for epoch in range(10): train(...) val_loss = validate(...) # Note that step should be called after validate() scheduler.step(val_loss)
上一篇：
下一篇：
待更新。。。