神經網路優化技巧

https://hackmd.io/@joshhu/SJ2UG4UdS

  • 針對資料
  • 針對神經元
  • 針對整個神經網路
  • 針對損失函數
  • 針對啟動函數
  • 針對層
  • 針對參數

使用這些技術的目的

  1. 提高模型的準確度
  2. 加快達到訓練效果的時間
  3. 防止overfitting
  4. Inference的速度
  5. 對抗雜訊的能力

提高模型準確率

  1. Confusion Matrix
  2. F1 Score其它資訊

模型準確率

  1. 訓練集上有沒有好的結果
  2. 訓練集結果不好，不是過度擬合(overfitting)，需做調整(如dropout)
  3. 測試集上有沒有好的結果
  4. 測試集上沒有好結果，就是過度擬合
  5. 測試集上結果也好，表示模型訓練成功

優化流程

網路優化調整的對象

  1. 變更整個網路架構(換一組新的H)
  2. 針對訓練資料集的變更
  3. 針對訓練參數的調整
  4. 網路參數的調整
  5. 損失函數
  6. 最佳化方法
  7. 使用一個或多個GPU，或分散式系統(k8s)

變更整個網路架構

  1. 變換一種大架構
  2. 變更神經元的種類(啟動函數, RELU)
  3. 變換不同的模型，如把resnet換成densnet
  4. Dropout(大多只用在fully connected layers)
  5. batch norm
  6. 模型的參數量會影響很多地方：訓練時間、記憶體的使用、硬體的使用、佈署、參考的時間

變換一種大架構

  1. 把線性換成非線性
  2. 變更神經元的類型
  3. 把非線性換成NN
  4. 把NN換成DNN
  5. 把DNN換成CNN
  6. 把CNN換成更複雜的架構，如inception
  7. 增加複雜度，即增加函數的分佈空間
  8. 如\(y=w_1x^2+w_2x+b\)這個非線性，一定包含\(w_2x+b(w_1=0)\)這個線性解

模型參數量的影響

  1. 這個model是否train的起來
  2. 準確度
  3. 訓練時間
  4. 記憶體的使用
  5. 硬體的使用佈署
  6. Inference的時間

變更Activation Function

Gradient Vanishing

Gradient Vanishing

靠近輸入層Gradient值非常小，靠近輸出層的Gradient很大，相同學習率靠近輸入層參數updata會很慢，靠近輸出層的參數updata會很快。當前幾層都還沒有更動參數的時候(隨機)，之後幾層的參數就已經收斂了。

針對訓練資料集的變更

  1. 獲得更多分佈更平均的訓練資料
  2. Feature Scaling
  3. Data augmentation
  4. 資料集train, val, test比例的改變
  5. 使用CV調整資料集的圖型特值
  6. 變換資料集的顏色空間
  7. Data balancing
  8. Generative model(autoencoders, GAN)
  9. Weighted Random Sampler

訓練時參數的調整

  1. 批次大小(batch size)
  2. 輪數(epoch)
  3. 提早結束(Early stopping)

網路參數的調整

  1. Batch norm
  2. Weights, biases的初始化
  3. Activation Function(變更神經元)
  4. 防止梯度消失或梯度膨脹
  5. Softmax

損失函數的調整

  1. 更換損失函數MSE、BCE、CCE
  2. L1, L2 Regularization
  3. L1, L2 Lamda值
  4. 讓損失函數更平滑(更好微分)
  5. Focal Loss

最佳化方法的調整

  1. 更換最佳化方法
  2. 學習率的調整
  3. Hessian, LBFG
  4. Momentum-based
  5. Adagrad, RMSProp, ADAM, momentum
  6. Adaptive learning rates

最佳化方法的調整

  1. 更換最佳化方法
  2. 學習率的調整
  3. Hessian, LBFG
  4. Momentum-based
  5. Adagrad, RMSProp, ADAM, momentum
  6. Adaptive learning rates
Select a repo