lec5 训练神经网络1

训练网络之前必须知道，训练卷积网络需要一定的数据量。

finetuning

采用预训练的方式，然后用自己的数据训练网络的最后几层。

（可以将卷积层作为提取特征的固定网络，我们只需重新训练分类层就可以了，当然如果有一定的数据量可以训练较多的层）

如下图所示：

准备好数据集，网络模型之后可以开始训练网络。下降策略一般采用SGD（随机梯度下降）

训练步骤：

激活函数：

可以看下面博客的内容

http://blog.csdn.net/fffupeng/article/details/73251059

数据预处理：

1、机器学习中pca和白化都是常见的预处理方式。但是在图像处理中很少用到，因为协方差矩阵过大。但是在数据集扩充中可以使用pca进行图片颜色的增强（alexnet）。

但是中心化是常常会做的，在alexnet中计算每个像素点的平均值（[32,32,3]的数组），然后减去。在vggnet中计算每个通道的平均值（3个数字）。

权重初始化：

可以看下面博客的内容

http://blog.csdn.net/fffupeng/article/details/73251059

论文：understanding the difficulty of training deep feedfroward neuarl networks

总之一句话来说，就是最好保证输入输出同分布。这也是xavier初始化的思想。

Batch Normalization:

希望每个神经元的输出服从高斯分布，方差不为0.

注意BN在训练和测试时的差别：

训练时计算的是每个batch的方差和标准差，在测试时计算的是整个训练集的均值和标准差。

最后的训练细节可以参考：

http://blog.csdn.net/fffupeng/article/details/73251059