神经网络Tips 和Tricks

拼搏现实的明天。 2022-08-09 15:58 170阅读 0赞

原文地址：一只鸟的天空，[http://blog.csdn.net/heyongluoyao8/article/details/49537427][http_blog.csdn.net_heyongluoyao8_article_details_49537427]

## 神经网络Tips 和Tricks ##

### 神经网络层数 ###

ANN一般有三层或四层，包含一到两个隐含层。每层有10~1000个神经元。实验神经网络可能有5层甚至6层，包含3或4个隐含层，有数百万个神经元，但大多数实际应用仅有3层，因为每增加一层，计算量将呈呈指数级上升。

### 隐藏层单元个数 ###

隐藏层单元个数是网络的一个超参数，它依赖于数据集。笼统地讲，数据集分布越复杂，那么网络需要有更强大的拟合能力，而网络的拟合能力是由隐藏层的单元个数决定的，个数越多，能力越强，因此需要更多的隐藏层节点数，一旦隐藏层节点增加，那么参数就会大量增加，那么网络的学习时间就会大量增多。因此需要取得一个平衡，  
这里有几个经验公式：

nh=ni\+no‾‾‾‾‾‾‾√\+α

nh=log2ni\+α

nh=ni∗no‾‾‾‾‾‾‾√\+α

其中  ni,nh,no 分别输入层、隐藏层、输出层的节点个数，  α 取  110 之间的常数。  
但一般都是多试几个值，哪一个效果好就选取哪一个。当然也可以使用一些优化算法（如遗传算法、粒子群优化算法）或者启发式规则来确定。

### 隐藏层单元的激活函数 ###

两个最常用非线性的激活函数是sigmoid和tanh函数，一般建议选择tanh函数（实践中也表明），因为tanh函数关于原点对称的，其输出是0均值，并作为下一层的输入，而零均值是下一层的输入所期望的。在实践中表明tanh具有更好的收敛性。

### 损失函数 ###

损失函数即代价函数，也即模型训练中的优化目标，优化的方向便是使得损失函数最小。一般使用均方误差（MSE）或者softmax代价函数：

MSE=∑ni=1(Xi−X⎯⎯⎯)2n

softmax=−∑ni=1∑kj=11\{ y(i)=j\}logeθTjx(i)∑kleθTlx(i)n

### 初始参数 ###

在对网络的参数进行初始化时，需要使得参数足够小并处于原点附近，使得激活函数在近似线性范围，这时候梯度就最大，使得在反向传播过程中的梯度消失（gradient vanish）问题得到减轻，特别是在深度学习中。一般经验为，对于tanh激活函数：uniform\[−6√ni\+no√,6√ni\+no√\]，对于sigmoid激活函数：uniform\[−4∗6√ni\+no√,4∗6√ni\+no√\]，其中ni与no分别是前一层（该层的输入层）与当前层的节点数，如在三层网络结构中，输入层节点数为ni，隐藏层的节点数为nh，输出层的节点数为no，那么输入层到隐藏层的连接权重矩阵的初始化为~U(−6√ni\+nh√,6√ni\+nh√)，隐藏层到输出层的连接权值矩阵的初始化为~U(−6√nh\+no√,6√nh\+no√)。

### 学习速率 ###

选择一个好的学习速率是非常有必要的，因为如果学习速率过小，那么收敛慢，则需要更多的迭代，意味着需要更多的时间。如果学习速率过大，那么会引起在极值点附近震荡。但是最好的学习速率是很难找到的，需要进行多次试验选择一个实验中最好的学习速率，但是一旦换了一批数据，则可能这个学习速率又没有其它的好了。因此如何确定一个好的学习速率是一件较困难的事。最简单的方法便是，每次试验选取一个恒定的学习速率，然后进行多次试验，从这些试验的学习速率中选择一个最优的。一般规则是按照对数进行网格搜索，从初始值按照对数衰减，如(10−1,10−2...)。  
随着迭代的次数衰减学习速率是个不错的方法，即随着迭代的进行步子不断减少，在极值点远处大步向前，到达极致点附近时，小步逼近，反正在极致点附近振荡，这样平衡了收敛时间与振荡。一个简单的做法便是α01\+d∗t，其中α0是初始学习速率（可以使用前面的对数网格搜索来选择），d是衰减常数，用来控制学习速率衰减快慢的，一般其是一个较小的正数，如10−3或者更小，t是第几次迭代。  
当然更好的做法是为每一个连接权值选择不同的学习速率，以自适应分类器的误差。

### 是否需要加factor ###

在进行权值更新的时候，我们可以加上上次的更新量（不乘以学习速率的量）乘以一个factor因子，来控制权值的更新。可以提到收敛的速度。一般取factor为：10−1,10−2...

### 正则参数 ###

L1/L2正则一般选择的典型参数值λ为10−2,10−3...。

未完待续……

[http_blog.csdn.net_heyongluoyao8_article_details_49537427]: http://blog.csdn.net/heyongluoyao8/article/details/49537427