1 模型訓練基本步驟

1. 準備原始資料，定義神經網路結構及前向傳播演算法
2. 定義loss，選擇反向傳播優化演算法
3. 生成Session，在訓練資料進行迭代訓練，使loss到達最小
4. 在測試集或者驗證集上對準確率進行評估

2 模型訓練難點及解決方法

2.1 收斂速度慢，訓練時間長

　　深度學習其實就是一個反覆調整模型引數的過程，得力於GPU等硬體效能的提升，使得複雜的深度學習訓練成為了可能。收斂速度過慢，訓練時間過長，一方面使得相同總訓練時間內的迭代次數變少，從而影響準確率，另一方面使得訓練次數變少，從而減少了嘗試不同超引數的機會。因此，加快收斂速度是一大痛點。那麼怎麼解決它呢？

2.1.1 設定合理的初始化權重w和偏置b

　　深度學習通過前向計算和反向傳播更新權重，不斷調整引數，來提取最優特徵，以達到預測的目的。其中調整的引數就是weight和bias，簡寫為w和b。

　　根據奧卡姆剃刀法則，模型越簡單越好，我們以線性函式這種最簡單的表示式來提取特徵，也就是​ f(x) = w * x + b

　　深度學習訓練時幾乎所有的工作量都是來求解神經網路中的w和b。模型訓練本質上就是調整w和b的過程，如果將他們初始化為一個合理的值，那麼就能夠加快收斂速度。怎麼初始化w和b呢？

　　我們一般使用截斷的正態分佈（也叫高斯分佈）來初始化w。如下

# 權重weight，標準差0.1。truncated_normal截斷的正態分佈來初始化weight。權重初始化很有講究的，會決定學習的快慢
 

def weight_variable(shape, vname):
  initial = tf.truncated_normal(shape, stddev=0.1, name=vname)
  return tf.Variable(initial)

tf.truncated_normal定義如下

tf.truncated_normal(
    shape,            # 正態分佈輸出資料結構，1維tensor
    mean=0.0,        # 平均值，預設為0.我們一般取預設值0
    stddev=1.0,        # 標準差
    dtype=tf.float32,        #
 
 輸出資料型別
    seed=None,        # 隨機分佈都會有一個seed來決定分佈
    name=None
)

截斷的正態分佈如下圖：

　　左圖為標準正態分佈，也叫高斯分佈，利用TensorFlow中的tf.random_normal()即可得到x取值範圍負無窮到正無窮內的值。所有的y值加起來概率為1。初始化w時，我們沒必要將w初始化為很大或很小的數。故更傾向於使用截斷正態分佈，如右圖。它和標準正態分佈的區別在於，限制了x取值必須在[-2 x stddev, 2 x stddev]之間。

　　b由於是加和關係，對收斂速度影響不大。我們一般將它初始化為0，如下。

# 偏置量bias，初始化為0,偏置可直接使用常量初始化
def bias_variable(shape, vname):
  initial = tf.constant(0, shape=shape, name=vname)
  return tf.Variable(initial)

2.1.2 優化學習率

　　模型訓練就是不斷嘗試和調整不同的w和b，那麼每次調整的幅度是多少呢，這個就是學習率。w和b是在一定範圍內調整的，那麼增大學習率不就減少了迭代次數，也就加快了訓練速度了嗎？路雖長，步子邁大點不就行了嗎？非也，步子邁大了可是會扯到蛋的！深度學習中也是如此，學習率太小，會增加迭代次數，加大訓練時間。但學習率太大，容易越過區域性最優點，降低準確率。

　　那有沒有兩全的解決方法呢，有！我們可以一開始學習率大一些，從而加速收斂。訓練後期學習率小一點，從而穩定的落入區域性最優解。使用Adam，Adagrad等自適應優化演算法，就可以實現學習率的自適應調整，從而保證準確率的同時加快收斂速度。

 如上圖所示，隨著迭代次數的增加，學習率從0.1逐步衰減為0.02以下。

'''
指數級衰減學習率
'''
global_step = tf.Variable(0)
#生成學習率,即每一百步就相應學習率乘以衰減率
learning_ratee = tf.train.exponential_decay(0.1, global_step, 100, 0.96, staircase=True)
#使用指數衰減率的學習率，在minimize函式中傳入global_step將自動更新
#globak_step引數，從而使得學習率也得到相應更新
learining_stepp = tf.train.GradientDescentOptimizer(learning_ratee).minimize(loss,global_step=global_step)

2.1.3 網路節點輸入值正則化 batch normalization

　　神經網路訓練時，每一層的輸入分佈都在變化。不論輸入值大還是小，我們的學習率都是相同的，這顯然是很浪費效率的。而且當輸入值很小時，為了保證對它的精細調整，學習率不能設定太大。那有沒有辦法讓輸入值標準化得落到某一個範圍內，比如[0, 1]之間呢，這樣我們就再也不必為太小的輸入值而發愁了。

　　辦法當然是有的，那就是正則化！由於我們學習的是輸入的特徵分佈，而不是它的絕對值，故可以對每一個mini-batch資料內部進行標準化，使他們規範化到[0, 1]內。這就是Batch Normalization，簡稱BN。由大名鼎鼎的inception V2提出。它在每個卷積層後，使用一個BN層，從而使得學習率可以設定為一個較大的值。使用了BN的inceptionV2，只需要以前的1/14的迭代次數就可以達到之前的準確率，大大加快了收斂速度。

2.1.4 採用更先進的網路結構，減少引數量

　　訓練速度慢，歸根結底還是網路結構的引數量過多導致的。減少引數量，可以大大加快收斂速度。採用先進的網路結構，可以用更少的引數量達到更高的精度。如inceptionV1引數量僅僅為500萬，是AlexNet的1/12, 但top-5準確率卻提高了一倍多。如何使用較少的引數量達到更高的精度，一直是神經網路結構研究中的難點。目前大致有如下幾種方式

　　1. 使用小卷積核來代替大卷積核。VGGNet全部使用3x3的小卷積核，來代替AlexNet中11x11和5x5等大卷積核。小卷積核雖然引數量較少，但也會帶來特徵面積捕獲過小的問題。inception net認為越往後的卷積層，應該捕獲更多更高階的抽象特徵。因此它在靠後的卷積層中使用的5x5等大面積的卷積核的比率較高，而在前面幾層卷積中，更多使用的是1x1和3x3的卷積核。
　　2. 使用兩個串聯小卷積核來代替一個大卷積核。inceptionV2中創造性的提出了兩個3x3的卷積核代替一個5x5的卷積核。在效果相同的情況下，引數量僅為原先的3x3x2 / 5x5 = 18/25
　　3. 1x1卷積核的使用。1x1的卷積核可以說是價效比最高的卷積了，沒有之一。它在引數量為1的情況下，同樣能夠提供線性變換，relu啟用，輸入輸出channel變換等功能。VGGNet創造性的提出了1x1的卷積核
　　4. 非對稱卷積核的使用。inceptionV3中將一個7x7的卷積拆分成了一個1x7和一個7x1, 卷積效果相同的情況下，大大減少了引數量，同時還提高了卷積的多樣性。
　　5. depthwise卷積的使用。mobileNet中將一個3x3的卷積拆分成了串聯的一個3x3 depthwise卷積和一個1x1正常卷積。對於輸入channel為M，輸出為N的卷積，正常情況下，每個輸出channel均需要M個卷積核對輸入的每個channel進行卷積，併疊加。也就是需要MxN個卷積核。而在depthwise卷積中，輸出channel和輸入相同，每個輸入channel僅需要一個卷積核。而將channel變換的工作交給了1x1的卷積。這個方法在引數量減少到之前1/9的情況下，精度仍然能達到80%。
　　6. 全域性平均池化代替全連線層。這個才是大殺器！AlexNet和VGGNet中，全連線層幾乎佔據了90%的引數量。inceptionV1創造性的使用全域性平均池化來代替最後的全連線層，使得其在網路結構更深的情況下（22層，AlexNet僅8層），引數量只有500萬，僅為AlexNet的1/12
　　網路結構的推陳出新，先進設計思想的不斷提出，使得減少引數量的同時提高準確度變為了現實。引數量的減少，一方面加快了收斂速度，減少了訓練時間，另一方面減小了模型體積，另外還能加快預測時間，提高實時性。所以一直以來減少引數量都是一個十分重要的議題

2.2 線性模型的侷限性

　　根據奧卡姆剃刀法則，我們使用了最簡單的線性模型，也就是wx+b，來表徵了神經網路。線性模型的特點是，任意線性模型的組合仍然是線性模型。不論我們採用如何複雜的神經網路，它仍然是一個線性模型。然而線性模型能夠解決的問題畢竟是有限的，所以必須在神經網路中增加一些非線性元素。

2.2.1 啟用函式的使用

　　在每個卷積後，加入一個啟用函式，已經是通用的做法，相信大家都知道。啟用函式，如relu，tanh，sigmod都是非線性函式，一方面可以增加模型的非線性元素，另一方面可以降低梯度彌散問題（我們後面詳細講解）。目前使用較多的就是relu函式。他模擬了生物學上的閾值響應機制，利用人腦只對大於某個值的訊號才產生響應的機制，提出了單側抑制的理念。它的表示式很簡單，f(x)=max(0,x)。當x>0時，y=x, x<0時，y=0. 如下圖所示。

　　相比於tanh和sigmod，relu的優點有：

　　計算速度快，容易收斂。relu就是一個取max的函式，沒有複雜的運算，故計算速度很快。相比於tanh，收斂速度可加快6倍，梯度不會大幅縮小。x>0時，relu的梯度為1（梯度還不懂是啥意思的同學最好翻下數學書，梯度簡單理解就是偏導數），故相比sigmod這種x稍微遠離0，梯度就會大幅減小的函式，不會使得梯度縮小，從而引發多層傳播後的梯度彌散問題。

2.2.2 兩個小卷積核的疊加代替一個大卷積核

　　啟用函式可是一個增加非線性的大法寶，但我們一般只能在卷積完之後再使用它。那怎麼增加它的使用場景呢？增加捲積層不就行了嗎。inception V2創造性的提出了用兩個3x3的卷積核代替一個5x5的卷積核。每次卷積後，都使用一次relu非線性啟用。如下圖。

2.2.3 1x1小卷積核的使用

　　1x1的卷積核應該是價效比最高的卷積，它在引數量為1的情況下，同樣能夠提供線性變換，relu啟用，輸入輸出channel變換等功能。inceptionV1利用Network in Network的思想，提出了inception module這一結構，它在每個並行分支的最前面，使用了一個1x1的卷積，卷積後緊跟一個relu啟用。從而大大增加了relu的使用率。從而提高了模型的非線性特徵。

2.3 過擬合問題

2.3.1 輸入增強，增大樣本量

　　收集更多且更全的樣本，能有效降低過擬合。但尋找樣本本來就是一件很費力的事情，我們到哪兒去尋找更多更全的樣本呢。素材整理和資料獲取成為了深度學習的一大瓶頸，否則再牛逼的神經網路結構，也會稱為無米之炊。這也是當前遷移學習變得比較火熱的一大原因（這是後話，就不詳細展開了）。那我們有沒有辦法簡單快捷的增加樣本量呢？

答案是有的，可以使用輸入增強方法。對樣本進行旋轉，裁剪，加入隨機噪聲等方式，可以大大增加樣本數量和泛化性。目前TensorFlow就提供了大量方法進行資料增強，大大方便了我們增加樣本數量。

2.3.2 dropout，減少特徵量

　　使用dropout，將神經網路某一層的輸出節點資料隨機丟棄，從而減少特徵量。這其實相當於創造了很多新的隨機樣本。我們可以理解為這是對特徵的一次取樣。一般在神經網路的全連線層使用dropout。

2.4 梯度彌散, 無法使用更深的網路

　　深度學習利用正向傳播來提取特徵，同時利用反向傳播來調整引數。反向傳播中梯度值逐漸減小，神經網路層數較多時，傳播到前面幾層時，梯度接近於0，無法對引數做出指導性調整了，此時基本起不到訓練作用。這就稱為梯度彌散。梯度彌散使得模型網路深度不能太大，但我們都知道網路越深，提取的特徵越高階，泛化性越好。因此優化梯度彌散問題就很重要了

2.4.1 relu代替sigmoid啟用函式

　　sigmoid函式值在[0,1],ReLU函式值在[0,+無窮]。relu函式，x>0時的導數為1， 而sigmoid函式，當x稍微遠離0，梯度就會大幅減小，幾乎接近於0，所以在反向傳播中無法指導引數更新。

2.4.2 殘差網路

　　大名鼎鼎的resNet將一部分輸入值不經過正向傳播網路，而直接作用到輸出中。這樣可以提高原始資訊的完整性了，從而在反向傳播中，可以指導前面幾層的引數的調整了。如下圖所示。

 　　使用了殘差網路的resNet，將網路深度提高到了152層，大大提高了模型的泛化性，從而提高了預測準確率，並一舉問鼎當年的imageNet冠軍！

3 總結

　　深度學習模型訓練是一個很費時間，但也很有技巧的過程。模型訓練中有梯度彌散，過擬合等各種痛點，正是為了解決這些問題，不斷湧現出了各種設計精巧的網路結構。學習時，我們不僅要學習網路結構的設計方式，還要掌握它們的設計思想，瞭解它們是為了解決哪些問題而產生的，以及準確率和效能為何能夠得到提升。

致謝博主分享：https://blog.csdn.net/u013510838/article/details/79835563