深度网络中的Tricks
- 数据增强(Data augmentation)
- 预处理(Pre-processing)
- 初始化(Initializations)
- 训练中的Tricks
- 激活函数(Activation functions)
- 正则化(Regularizations)
- 画图洞察数据
- 集成学习(Ensemble)
数据增强
深度学习需要大量的数据，当数据集不够大时，可以利用合理手段，基于已有数据，“创造”新的数据。本部分针对图像处理
对于图像而言，可以随机选择以下手段：
- 翻转
- 旋转
- 拉伸
- 裁剪
- 颜色抖动
- 光学畸变
能够采用这些手段的主要原因是，上述方法并不改变图像“语义”。
事实上，一些开源库如Keras已经集成了图像数据增强工具，如图片预处理-Keras，在图片生成器(ImageDataGenerator)中存在很多参数，用于控制数据增强。至于哪种手段有效，都试试就知道:)参见数据增强方法总结
自然语言处理领域，数据增强手段较为少见。
预处理
-
零中心化(zero-center)，又称零均值化、中心化
\[x^*=x-\mu \]实质是一个平移过程，平移后所有数据的中心是\((0,0)\)
以主成分分析(PCA)为例，说明中心化的作用。
上图左侧数据未进行中心化，在主成分分析寻找数据点的特征向量时，会获得“错误”的主成分(黑线所示)。而右侧数据进行中心化之后，计算获得的主成分能够较好的“概括”原始数据。
-
标准化(normalization)，又称归一化
通常有两种方式：
-
min-max标准化
又称离差标准化，对原始数据线性变换，映射到\([0,1]\)之间
\[x^*=\frac{x-min}{max-min} \] -
Z-score标准化
使用均值和标准差对原始数据做标准化，经处理的数据符合标准正态分布，\(x^*\sim N(0,1)\)
\[x^*=\frac{x-\mu}{\sigma} \]其中\(\mu\)为样本均值，\(\sigma\)为样本标准差
标准化主要是为了消除原始数据量纲不同对分析带来的影响，标准化后的数据在各个维度上”尺度“是一致的。以KMeans为例，使用欧式距离衡量两个样本点之间的距离时，假设样本部分特征的取值范围为\([-1000,1000]\)，而部分特征的取值范围为\([-1,1]\)，如果不进行标准化，这两类特征在计算距离时所占的”重要程度“就不一致，从而造成算法失效。
-
上图展示了零中心化和标准化的处理效果。参见数据预处理之中心化（零均值化）与标准化（归一化）
-
白化(whitening)
又称sphering，白化一般在去相关操作的基础之上，以PCA白化为例。PCA是一种数据降维算法，PCA降维主要就是将相关特征去除：
\[x_{rot}=U^Tx=\begin{bmatrix} u_1^Tx^1\\ u_2^Tx^2\\...\\u_n^Tx^n\end{bmatrix} \]其中，\(U\)为特征矩阵。参见主成分分析-UFLDL
白化的主要目的是降低输入的冗余性，即希望处理后的数据：1)特征之间相关性较低；2)所有特征具有相同的方差
\[x_{PCAwhite,i}=\frac{x_{rot,i}}{\sqrt{\lambda_i}} \]其中，\(x_{rot}\)为PCA处理后的数据，\(\lambda\)为PCA处理后数据的协方差矩阵对角元素。PCA白化实际是在PCA基础上进一步的数据处理，PCA使得特征间相关性降低，白化使得每个输入特征方差为1。
另外还有ZCA白化等，参见白化-UFLDL
上图为去相关和白化的处理效果。
初始化
在标准化输入数据之后，有充足理由假设，训练得到的参数一半为正，一半为负。为了减小训练成本，在初始化时，就应该让参数符合这一假设。但是应注意，全0初始化是不可取的。因为如果参数\(W\)初始化为0，则对于任何输入\(x_i\)，隐藏层中每个神经元的输出都是相同的。这样即使梯度下降，无论训练多少次，这些神经元都是对称的，无论隐藏层内有多少个结点，都相当于在训练同一个函数。 即没有非对称的来源。参见什么时候可以将神经网络的参数全部初始化为0?、为什么神经网络参数不能全部初始化为全0？
实际上，初始化对神经网络来说是比较重要的内容，它甚至和梯度消失有关，已经有xavier、MSRA(He等)等初始化方法，参见神经网络中的梯度消失、深度学习中的初始化。在一些开源计算框架中已提供大量的参数初始化方式可供尝试，参见Module: tf.initializers-Tensorflow、初始化方法-Keras
训练中的Tricks
- 关于”size“的实践指南：
- 输入层的图片尺寸应是2的倍数
- 使用stride为1，filter size为\(3*3\)，SAME padding的卷积层
- 使用\(2*2\)的池化层
- 学习率(Learning rate, LR)的实践指南：
- 一个典型的学习率大小：0.1，仅供一试 😃
- 使用验证集作为调节学习率的依据
- 如果在验证集上loss停止下降，调小学习率再继续训练(如将学习率除以2或除以5再继续)
激活函数
激活函数对神经网络影响巨大，因此出现了各种各样的激活函数，如sigmoid、tanh、ReLU、Leaky ReLU、Parametric ReLU(PReLU)、Randomized ReLU等。参见26种神经网络激活函数可视化
关于激活函数的实践指南：
- 使用ReLU，并注意学习速率的调整
- 试试Leaky ReLU / Maxout
- 试试tanh，但不要抱太大希望
- 不要使用sigmoid 😃
正则化
正则化是防止过拟合的手段之一。
在神经网络中，常见的正则化方法有：
- L2正则，将\(\frac{\lambda}{2n}\sum_{i=0}^{n}w_i^2\)加入损失函数中。其中，\(\lambda\)为正则化系数，\(w\)为神经网络的参数
- L1正则，将\(\lambda\sum_{i=0}^n|w_i|\)加入损失函数中，同上。L1和L2正则有时会合起来用。L2正则倾向于降低参数范数的总和，L1正则使得参数稀疏。参见：L1正则化及其推导
- Max norm，\(||w_i||_2<c\)，即把参数限制在固定常数之内
- Dropout，随机丢弃神经网络中的神经元，粗暴但有效。
- Batch Normalization，层归一化。本意在于解决“内部协变量漂移”(internal covariate shift)的问题，但也能起到一定正则化的作用。
一些开源计算框架已经提供相关的正则化方法，如Explore overfitting and underfitting-Tensorflow、tf.nn.l2_normalize-Tensorflow、tf.nn.batch_normalization-Tensorflow、tf.nn.dropout、正则化器的使用-Keras、BatchNormalization-Keras、核心层-Keras
发生过拟合还可以通过增加训练集大小，加入随机噪声，早停等手段避免。参见噪声层Noise-Keras、keras的EarlyStopping callbacks的使用与技巧
画图洞察数据
通过画图来观察训练情况，比如Tensorflow提供了Tensorboard输出训练中的信息，参见：06：Tensorflow的可视化工具Tensorboard的初步使用
上图展示了，通过观察训练中的loss，来判断当前的学习速率是否适当。
- 如果loss曲线看起来太直，则学习率偏低
- 如果loss曲线下降太少，则学习率有可能偏高
上图依然是展示训练中loss的变化。
loss曲线如果“过宽”，也即是loss曲线发生抖动，则说明batch_size设置过小。
上图是训练集和验证集上正确率曲线，其中红色为训练集正确率，蓝色为验证集正确率。如果两者相差过大，则训练发生了过拟合，可以通过添加或加大正则化等手段避免过拟合。一般情况下，两者相差不大是我们希望看到的。
在图像中，可以通过输出第一个隐藏层观察正则化强度，如上图所示，两个第一隐层都充满着噪点，看不清图像，说明两者的正则化强度都不够高。第一隐层由于刚刚进入网络，还未进行“高度抽象”，所以观察到的图像应该是比较清晰的。
集成学习
集成学习是机器学习中通用的手段，在深度学习中，有一些特殊的集成学习Tricks：
- 同一模型，不同初始化。采用相同模型结构和超参数，但初始化不同，最后将所有模型的结果通过平均、投票等手段结合起来。
- 通过交叉验证(cross-validation, cv)获得模型的最优超参数
其它的集成学习方法如boosting, bagging, stacking, blending等参见一小部分机器学习算法小结: 优化算法、逻辑回归、支持向量机、决策树、集成算法、Word2Vec等的集成算法部分。
参考文献
Must Know Tips/Tricks in Deep Neural Networks (by Xiu-Shen Wei)
The Devil is always in the Details-Must Know Tips/Tricks in DNNs(PDF)
