一碗酸梅湯 作品
第255章 調整超參數,以及防止過擬合
江寒在這個fcn網絡中，實現了一種新的訓練策略，也就是迷你批次訓練法。
簡單地說，就是每次在18萬個訓練數據中，隨機抽取若干條數據，組成一個小包，作為訓練的樣本。
然後，若干個小包組成一個完整的批次，訓練若干個批次後，訓練過程就宣告結束。
顯而易見，相較於一次訓練全部數據，這樣做既節省了資源，又能提高訓練速度。
這裡涉及到3個超參數:每個小包的數據條數n，每批次包含的小包數量m，以及訓練的總批次s。
神經網絡裡，每個神經元的偏置和權重，都是在訓練中獲得的，稱作參數。
而學習速率、隱藏層神經元的數量，隱藏層的層數，權重初始化方案的選擇、激活函數的選擇、損失函數的選擇……
這些都是超參數，必須在神經網絡訓練之前指定。
但由於缺乏理論指導，沒有人知道這些超參數，到底如何選取才是最合理的。
所以在實踐中，往往先根據經驗，暫時預設一個差不多的，然後在訓練的過程中，根據反饋結果，慢慢進行調整。
打造神經網絡的過程中，最困難的就是超參數的選擇，這往往意味著巨大的工作量。
每次調整超參數，都要重新訓練一次神經網絡，才能知道這次調整是否成功。
更麻煩的是，超參數之間並不是相互獨立的，經常會調整了某一個，就會影響到另一個。
極端情況下，就會像多米諾骨牌一樣，一個影響一個，最後導致全盤重來。
在原來的世界，機器學習算法工程師們經常為此撓破了頭皮。
所以他們又自嘲或者被戲稱為“調參狗”……
這個問題的解決，往往取決於網絡設計者的經驗。
一名合格的調參狗……咳，算法工程師，往往能憑經驗和直覺，大體確定超參數的取值範圍，然後根據實際情況逐步優化，直到取得近似最優解。
江寒當然算不上經驗豐富，但前世玩神經網絡的時候，也接觸過不少討論超參數選擇的文章。
以權重初始化舉例，就有不少可行的方案:初始化為0值、隨機初始化、xavier初始化、he方法等。
其中，xavier初始化又包含許多種做法。
比如將權重w的隨機初始化區間，設為正負sqrt（6/（n0+n1））之間。
其中，n0是上一層神經元的個數，n1是本層神經元的個數。
這是一個經驗公式，很多時候都很好用，江寒還記得這個公式。
其他超參數的選擇，激活函數的選擇、損失函數的選擇……也有諸多可用的方法、方案。
除了一些前世接觸過的方法，江寒自己也有過許多奇思妙想，琢磨出來不少亂七八糟的超參數選擇方案。
簡單地說，就是每次在18萬個訓練數據中，隨機抽取若干條數據，組成一個小包，作為訓練的樣本。
然後，若干個小包組成一個完整的批次，訓練若干個批次後，訓練過程就宣告結束。
顯而易見，相較於一次訓練全部數據，這樣做既節省了資源，又能提高訓練速度。
這裡涉及到3個超參數:每個小包的數據條數n，每批次包含的小包數量m，以及訓練的總批次s。
神經網絡裡，每個神經元的偏置和權重，都是在訓練中獲得的，稱作參數。
而學習速率、隱藏層神經元的數量，隱藏層的層數，權重初始化方案的選擇、激活函數的選擇、損失函數的選擇……
這些都是超參數，必須在神經網絡訓練之前指定。
但由於缺乏理論指導，沒有人知道這些超參數，到底如何選取才是最合理的。
所以在實踐中，往往先根據經驗，暫時預設一個差不多的，然後在訓練的過程中，根據反饋結果，慢慢進行調整。
打造神經網絡的過程中，最困難的就是超參數的選擇，這往往意味著巨大的工作量。
每次調整超參數，都要重新訓練一次神經網絡，才能知道這次調整是否成功。
更麻煩的是，超參數之間並不是相互獨立的，經常會調整了某一個，就會影響到另一個。
極端情況下，就會像多米諾骨牌一樣，一個影響一個，最後導致全盤重來。
在原來的世界，機器學習算法工程師們經常為此撓破了頭皮。
所以他們又自嘲或者被戲稱為“調參狗”……
這個問題的解決，往往取決於網絡設計者的經驗。
一名合格的調參狗……咳，算法工程師，往往能憑經驗和直覺，大體確定超參數的取值範圍，然後根據實際情況逐步優化，直到取得近似最優解。
江寒當然算不上經驗豐富，但前世玩神經網絡的時候，也接觸過不少討論超參數選擇的文章。
以權重初始化舉例，就有不少可行的方案:初始化為0值、隨機初始化、xavier初始化、he方法等。
其中，xavier初始化又包含許多種做法。
比如將權重w的隨機初始化區間，設為正負sqrt（6/（n0+n1））之間。
其中，n0是上一層神經元的個數，n1是本層神經元的個數。
這是一個經驗公式，很多時候都很好用，江寒還記得這個公式。
其他超參數的選擇，激活函數的選擇、損失函數的選擇……也有諸多可用的方法、方案。
除了一些前世接觸過的方法，江寒自己也有過許多奇思妙想，琢磨出來不少亂七八糟的超參數選擇方案。