TensorFlow 深度学习笔记 从线性分类器到深度神经网络

时间:2022-12-14 20:51:05

转载请注明作者:梦里风林
Github工程地址:https://github.com/ahangchen/GDLnotes
欢迎star,有问题可以到Issue区讨论
官方教程地址
视频/字幕下载

Limit of Linear Model

  • 实际要调整的参数很多
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

如果有N个Class,K个Label,需要调整的参数就有(N+1)K个

  • Linear Model不能应对非线性的问题
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • Linear Model的好处
  • GPU就是设计用于大矩阵相乘的,因此它们用来计算Linear Model非常efficient
  • Stable:input的微小改变不会很大地影响output

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • 求导方便:线性求导是常数

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • 我们希望参数函数是线性的,但整个model是非线性的
  • 所以需要对各个线性模型做非线性组合
  • 最简单的非线性组合:分段线性函数(RELU)

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

Neural network

  • 用一个RELU作为中介,一个Linear Model的输出作为其输入,其输出作为另一个Linear Model的输入,使其能够解决非线性问题

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • 神经网络并不一定要完全像神经元那样工作
  • Chain Rule:复合函数求导规律

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • Lots of data reuse and easy to implement(a simple data pipeline)
  • Back propagation

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • 计算train_loss时,数据正向流入,计算梯度时,逆向计算
  • 计算梯度需要的内存和计算时间是计算train_loss的两倍

Deep Neural Network

Current two layer neural network:

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

优化:

  • 优化RELU(隐藏层), wider
  • 增加linear层,layer deeper
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

  • Performance: few parameters by deeper
  • 随层级变高,获得的信息越综合,越符合目标
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

About t-model

  • t-model只有在有大量数据时有效
  • 今天我们才有高效的大数据训练方法:Better Regularization
  • 难以决定适应问题的神经网络的规模,因此通常选择更大的规模,并防止过拟合

Avoid Overfit

Early Termination

  • 当训练结果与验证集符合度下降时,就停止训练
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

Regulation

  • 给神经网络里加一些常量,做一些限制,减少*的参数
  • L2 regularization

TensorFlow 深度学习笔记 从线性分类器到深度神经网络

在计算train loss时,增加一个l2 norm作为新的损失,这里需要乘一个β(Hyper parameter),调整这个新的项的值

Hyper parameter:拍脑袋参数→_→

  • l2模的导数容易计算,即W本身

    DropOut

    最近才出现,效果极其好
  • 从一个layer到另一个layer的value被称为activation
  • 将一个layer到另一个layer的value的中,随机地取一半的数据变为0,这其实是将一半的数据直接丢掉
  • 由于数据缺失,所以就强迫了神经网络学习redundant的知识,以作为损失部分的补充
  • 由于神经网络中总有其他部分作为损失部分的补充,所以最后的结果还是OK的
  • More robust and prevent overfit
  • 如果这种方法不能生效,那可能就要使用更大的神经网络了

  • 评估神经网络时,就不需要DropOut,因为需要确切的结果
  • 可以将所有Activation做平均,作为评估的依据
  • 因为我们在训练时去掉了一半的随机数据,如果要让得到Activation正确量级的平均值,就需要将没去掉的数据翻倍
    TensorFlow 深度学习笔记 从线性分类器到深度神经网络

觉得得我的文章对您有帮助的话,就给个star吧~