神经网络参数设置注意事项
来源:互联网 发布:怎么在mac上玩lol2016 编辑:程序博客网 时间:2024/06/07 17:12
翻译网上的哈,我觉得有很大一部分从没看到过,所以就翻译了下,如有不对的地方,欢迎指正:
1、准备数据:务必保证有大量、高质量并且带有干净标签的数据,没有如此的数据,学习是不可能的
2、预处理:这个不多说,就是0均值和1方差化
3、minibatch:建议值128,1最好,但是效率不高,但是千万不要用过大的数值,否则很容易过拟合
4、梯度归一化:其实就是计算出来梯度之后,要除以minibatch的数量。这个不多解释
5、下面主要集中说下学习率
- 总的来说是用一个一般的学习率开始,然后逐渐的减小它
- 一个建议值是0.1,适用于很多NN的问题,一般倾向于小一点。
- 一个对于调度学习率的建议:如果在验证集上性能不再增加就让学习率除以2或者5,然后继续,学习率会一直变得很小,到最后就可以停止训练了。
- 很多人用的一个设计学习率的原则就是监测一个比率(每次更新梯度的norm除以当前weight的norm),如果这个比率在10-3附近,如果小于这个值,学习会很慢,如果大于这个值,那么学习很不稳定,由此会带来失败。
6、使用验证集,可以知道什么时候开始降低学习率,和什么时候停止训练。
7、关于对weight初始化的选择的一些建议:
- 如果你很懒,直接用0.02*randn(num_params)来初始化,当然别的值你也可以去尝试
- 如果上面那个不太好使,那么久依次初始化每一个weight矩阵用init_scale / sqrt(layer_width) * randn,init_scale可以被设置为0.1或者1
- 初始化参数对结果的影响至关重要,要引起重视。
- 在深度网络中,随机初始化权重,使用SGD的话一般处理的都不好,这是因为初始化的权重太小了。这种情况下对于浅层网络有效,但是当足够深的时候就不行了,因为weight更新的时候,是靠很多weight相乘的,越乘越小,有点类似梯度消失的意思(这句话是我加的)
8、如果训练RNN或者LSTM,务必保证gradient的norm被约束在15或者5(前提还是要先归一化gradient),这一点在RNN和LSTM中很重要。
9、检查下梯度,如果是你自己计算的梯度。
10、如果使用LSTM来解决长时依赖的问题,记得初始化bias的时候要大一点
12、尽可能想办法多的扩增训练数据,如果使用的是图像数据,不妨对图像做一点扭转啊之类的,来扩充数据训练集合。
13、使用dropout
14、评价最终结果的时候,多做几次,然后平均一下他们的结果。
0 0
- 神经网络参数设置注意事项
- 神经网络参数设置注意事项
- 神经网络参数设置
- caffe神经网络构建、参数设置
- 神经网络注意事项
- BP神经网络参数设置及实例
- 神经网络matlab工具箱有关参数设置
- 神经网络细节与训练注意事项
- MATLAB R2011b 神经网络工具箱注意事项
- GitHub深度神经网络DBNs有关输入参数设置疑问!!!!!
- 卷积神经网络与caffe Convolution层及参数设置
- 参数设置
- IndexWriter有关的几个参数设置及重建索引注意事项
- 使用cocos2dx编译到Android注意事项和NDK-build参数设置
- GitHub深度神经网络DBNs有关输入矩阵,标签矩阵,相关参数设置疑问,求指点!!!!!
- 调试神经网络的注意事项和技巧总结(一)
- 神经网络
- 神经网络
- 选项解析函数getopt()和getopt_long()
- HTML5中aside标签的两种使用方法
- Looper、Message、Handler和HandlerThread之间的关系
- 5.5 LED数码管的介绍
- Spring JMS ActiveMQ Queue Example
- 神经网络参数设置注意事项
- 5.6 数码管的真值表
- 5.7 数码管的静态显示
- 6.1 C语言数组
- 基于DNSMASQ 搭建个人的 DNS服务器(手机做hosts、host)
- 如何用js动态插入svg?如何在svg中在插入Dom元素
- 新元素之section,article,aside
- Servlet中response响应
- 6.2 C语言if语句