記錄煉丹優化tricks 最后更新： 2020-04-15 18:17:57
尋找合適的學習率(learning rate)
學習率是一個非常非常重要的超參數，這個參數呢，面對不同規模、不同batch-size、不同優化方式、不同數據集，其最合適的值都是不確定的，我們無法光憑經驗來准確地確定lr的值，我們唯一可以做的，就是在訓練中不斷尋找最合適當前狀態的學習率。
比如下圖利用fastai中的lr_find()函數尋找合適的學習率，根據下方的學習率-損失曲線得到此時合適的學習率為1e-2。
推薦一篇fastai首席設計師Sylvain Gugger的一篇博客：How Do You Find A Good Learning Rate
learning-rate與batch-size的關系
一般來說，越大的batch-size使用越大的學習率。
原理很簡單，越大的batch-size意味着我們學習的時候，收斂方向的confidence越大，我們前進的方向更加堅定，而小的batch-size則顯得比較雜亂，毫無規律性，因為相比批次大的時候，批次小的情況下無法照顧到更多的情況，所以需要小的學習率來保證不至於出錯。
可以看下圖損失Loss與學習率Lr的關系：
在顯存足夠的條件下，最好采用較大的batch-size進行訓練，找到合適的學習率后，可以加快收斂速度。另外，較大的batch-size可以避免batch normalization出現的一些小問題：github.com/pytorch/pyt…
權重初始化
權重初始化相比於其他的trick來說在平常使用並不是很頻繁。
因為大部分人使用的模型都是預訓練模型，使用的權重都是在大型數據集上訓練好的模型，當然不需要自己去初始化權重了。只有沒有預訓練模型的領域會自己初始化權重，或者在模型中去初始化神經網絡最后那幾個全連接層的權重。
常用的權重初始化算法是kaiming_normal或者xavier_normal。
相關論文：
Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification
Understanding the difficulty of training deep feedforward neural networks
不初始化可能會減慢收斂速度，影響收斂效果。
以下n_in為網絡的輸入大小，n_out為網絡的輸出大小，n為n_in或(n_in+n_out)*0.5
- uniform均勻分布初始化：
w = np.random.uniform(low=-scale, high=scale, size=[n_in,n_out]) - Xavier初始法，適用於普通激活函數(tanh, sigmoid)：scale = np.sqrt(3/n)
- He初始化，適用於ReLU：scale = np.sqrt(6/n)
- normal高斯分布初始化：
w = np.random.randn(n_in,n_out) * stdev # stdev為高斯分布的標准差，均值設為0
- Xavier初始法，適用於普通激活函數 (tanh,sigmoid)：stdev = np.sqrt(n)
- He初始化，適用於ReLU：stdev = np.sqrt(2/n)
- svd初始化：對RNN有比較好的效果。參考論文：https://arxiv.org/abs/1312.6120
dropout
dropout是指在深度學習網絡的訓練過程中，對於神經網絡單元，按照一定的概率將其暫時從網絡中丟棄。注意是暫時，對於隨機梯度下降來說，由於是隨機丟棄，故而每一個mini-batch都在訓練不同的網絡。Dropout類似於bagging ensemble減少variance。也就是投通過投票來減少可變性。通常我們在全連接層部分使用dropout，在卷積層則不使用。但dropout並不適合所有的情況，不要無腦上Dropout。
Dropout一般適合於全連接層部分，而卷積層由於其參數並不是很多，所以不需要dropout，加上的話對模型的泛化能力並沒有太大的影響。
我們一般在網絡的最開始和結束的時候使用全連接層，而hidden layers則是網絡中的卷積層。所以一般情況，在全連接層部分，采用較大概率的dropout而在卷積層采用低概率或者不采用dropout。
數據集處理
數據篩選
數據增強
難例挖掘 hard-negative-mining
分析模型難以預測正確的樣本，給出針對性方法。
多模型融合 Ensemble
Ensemble是論文刷結果的終極核武器,深度學習中一般有以下幾種方式
- 同樣的參數,不同的初始化方式
- 不同的參數,通過cross-validation,選取最好的幾組
- 同樣的參數,模型訓練的不同階段，即不同迭代次數的模型。
- 不同的模型,進行線性融合. 例如RNN和傳統模型.
提高模型性能和魯棒性大法：probs融合 和 投票法。
假設這里有model 1, model 2, model 3，可以這樣融合：
1. model1 probs + model2 probs + model3 probs ==> final label
2. model1 label , model2 label , model3 label ==> voting ==> final label
3. model1_1 probs + ... + model1_n probs ==> mode1 label, model2 label與model3獲取的label方式與1相同 ==> voting ==> final label
第三個方式的啟發來源於，如果一個model的隨機種子沒有固定，多次預測得到的結果可能不同。
以上方式的效果要根據label個數，數據集規模等特征具體問題具體分析，表現可能不同，方式無非是probs融合和投票法的單獨使用or結合。
差分學習率與遷移學習
首先說下遷移學習，遷移學習是一種很常見的深度學習技巧，我們利用很多預訓練的經典模型直接去訓練我們自己的任務。雖然說領域不同，但是在學習權重的廣度方面，兩個任務之間還是有聯系的。
由上圖，我們拿來model A訓練好的模型權重去訓練我們自己的模型權重(Model B)，其中，modelA可能是ImageNet的預訓練權重，而ModelB則是我們自己想要用來識別貓和狗的預訓練權重。
那么差分學習率和遷移學習有什么關系呢？我們直接拿來其他任務的訓練權重，在進行optimize的時候，如何選擇適當的學習率是一個很重要的問題。
一般地，我們設計的神經網絡(如下圖)一般分為三個部分，輸入層，隱含層和輸出層，隨着層數的增加，神經網絡學習到的特征越抽象。因此，下圖中的卷積層和全連接層的學習率也應該設置的不一樣，一般來說，卷積層設置的學習率應該更低一些，而全連接層的學習率可以適當提高。
這就是差分學習率的意思，在不同的層設置不同的學習率，可以提高神經網絡的訓練效果，具體的介紹可以查看下方的連接。
上面的示例圖來自：towardsdatascience.com/transfer-le…
余弦退火(cosine annealing)和熱重啟的隨機梯度下降
余弦就是類似於余弦函數的曲線，退火就是下降，余弦退火就是學習率類似余弦函數慢慢下降。
熱重啟就是在學習的過程中，學習率慢慢下降然后突然再回彈(重啟)然后繼續慢慢下降。
兩個結合起來就是下方的學習率變化圖：
更多詳細的介紹可以查看知乎機器學習算法如何調參？這里有一份神經網絡學習速率設置指南
以及相關論文SGDR: Stochastic Gradient Descent with Warm Restarts
嘗試過擬合一個小數據集
這是一個經典的小trick了，但是很多人並不這樣做，可以嘗試一下。
關閉正則化/隨機失活/數據擴充，使用訓練集的一小部分，讓神經網絡訓練幾個周期。確保可以實現零損失，如果沒有，那么很可能什么地方出錯了。
多尺度訓練
多尺度訓練是一種直接有效的方法，通過輸入不同尺度的圖像數據集，因為神經網絡卷積池化的特殊性，這樣可以讓神經網絡充分地學習不同分辨率下圖像的特征，可以提高機器學習的性能。
也可以用來處理過擬合效應，在圖像數據集不是特別充足的情況下，可以先訓練小尺寸圖像，然后增大尺寸並再次訓練相同模型，這樣的思想在Yolo-v2的論文中也提到過：
需要注意的是：多尺度訓練並不是適合所有的深度學習應用，多尺度訓練可以算是特殊的數據增強方法，在圖像大小這一塊做了調整。如果有可能最好利用可視化代碼將多尺度后的圖像近距離觀察一下，看看多尺度會對圖像的整體信息有沒有影響，如果對圖像信息有影響的話，這樣直接訓練的話會誤導算法導致得不到應有的結果。
Cross Validation 交叉驗證
在李航的統計學方法中說到，交叉驗證往往是對實際應用中數據不充足而采用的，基本目的就是重復使用數據。在平常中我們將所有的數據分為訓練集和驗證集就已經是簡單的交叉驗證了，可以稱為1折交叉驗證。注意，交叉驗證和測試集沒關系，測試集是用來衡量我們的算法標准的，不參與到交叉驗證中來。
交叉驗證只針對訓練集和驗證集。
交叉驗證是Kaggle比賽中特別推崇的一種技巧，我們經常使用的是5-折(5-fold)交叉驗證，將訓練集分成5份，隨機挑一份做驗證集其余為訓練集，循環5次，這種比較常見計算量也不是很大。還有一種叫做leave-one-out cross validation留一交叉驗證，這種交叉驗證就是n-折交叉，n表示數據集的容量，這種方法只適合數據量比較小的情況，計算量非常大的情況很少用到這種方法。
吳恩達有一節課The nuts and bolts of building applications using deep learning中也提到了。
優化算法
按理說不同的優化算法適合於不同的任務，不過我們大多數采用的優化算法還是是adam和SGD+monmentum。
但看一些博客說adam的相比SGD，收斂快，但泛化能力差，更優結果似乎需要精調SGD。
adam,adadelta等, 在小數據上,我這里實驗的效果不如sgd, sgd收斂速度會慢一些，但是最終收斂后的結果，一般都比較好。
如果使用sgd的話,可以選擇從1.0或者0.1的學習率開始,隔一段時間,在驗證集上檢查一下,如果cost沒有下降,就對學習率減半. 我看過很多論文都這么搞,我自己實驗的結果也很好. 當然,也可以先用ada系列先跑,最后快收斂的時候,更換成sgd繼續訓練.同樣也會有提升.據說adadelta一般在分類問題上效果比較好，adam在生成問題上效果比較好。
adam收斂雖快但是得到的解往往沒有sgd+momentum得到的解更好，如果不考慮時間成本的話還是用sgd吧。
adam是不需要特別調lr，sgd要多花點時間調lr和initial weights。
數據預處理方式
zero-center ,這個挺常用的.
X -= np.mean(X, axis = 0) # zero-center
X /= np.std(X, axis = 0) # normalize
PCA whitening,這個用的比較少.
訓練技巧
要做梯度歸一化,即算出來的梯度除以minibatch size
clip c(梯度裁剪): 限制最大梯度,其實是value = sqrt(w1^2+w2^2….),如果value超過了閾值,就算一個衰減系系數,讓value的值等於閾值: 5,10,15
dropout對小數據防止過擬合有很好的效果,值一般設為0.5
小數據上dropout+sgd在我的大部分實驗中，效果提升都非常明顯.因此可能的話，建議一定要嘗試一下。
dropout的位置比較有講究, 對於RNN,建議放到輸入->RNN與RNN->輸出的位置.關於RNN如何用dropout,可以參考這篇論文:http://arxiv.org/abs/1409.2329
除了gate之類的地方,需要把輸出限制成0-1之外,盡量不要用sigmoid,可以用tanh或者relu之類的激活函數.
1. sigmoid函數在-4到4的區間里，才有較大的梯度。之外的區間，梯度接近0，很容易造成梯度消失問題。
2. 輸入0均值，sigmoid函數的輸出不是0均值的。
rnn的dim和embdding size,一般從128上下開始調整. batch size,一般從128左右開始調整. batch size合適最重要,並不是越大越好.
word2vec初始化,在小數據上,不僅可以有效提高收斂速度,也可以可以提高結果.
盡量對數據做shuffle
LSTM 的forget gate的bias,用1.0或者更大的值做初始化,可以取得更好的結果,來自這篇論文:http://jmlr.org/proceedings/papers/v37/jozefowicz15.pdf, 我這里實驗設成1.0,可以提高收斂速度.實際使用中,不同的任務,可能需要嘗試不同的值.
Batch Normalization據說可以提升效果，參考論文：Accelerating Deep Network Training by Reducing Internal Covariate Shift
如果你的模型包含全連接層（MLP），並且輸入和輸出大小一樣，可以考慮將MLP替換成Highway Network,我嘗試對結果有一點提升，建議作為最后提升模型的手段，原理很簡單，就是給輸出加了一個gate來控制信息的流動，詳細介紹請參考論文: http://arxiv.org/abs/1505.00387
來自@張馨宇的技巧：一輪加正則，一輪不加正則，反復進行。
在數據集很大的情況下，一上來就跑全量數據。建議先用 1/100、1/10 的數據跑一跑，對模型性能和訓練時間有個底，外推一下全量數據到底需要跑多久。在沒有足夠的信心前不做大規模實驗。
subword 總是會很穩定地漲點，只管用就對了。
GPU 上報錯時盡量放在 CPU 上重跑，錯誤信息更友好。例如 GPU 報 "ERROR:tensorflow:Model diverged with loss = NaN" 其實很有可能是輸入 ID 超出了 softmax 詞表的范圍。
在確定初始學習率的時候，從一個很小的值（例如 1e-7）開始，然后每一步指數增大學習率（例如擴大1.05 倍）進行訓練。訓練幾百步應該能觀察到損失函數隨訓練步數呈對勾形，選擇損失下降最快那一段的學習率即可。
論文
NLP 領域主要推薦以下幾篇：
Regularizing and Optimizing LSTM Language Models（LSTM 的訓練技巧）
Massive Exploration of Neural Machine Translation Architectures（NMT 里各個超參的影響）
Training Tips for the Transformer Model（訓練 Transformer 時會發生的各種現象）
RoBERTa: A Robustly Optimized BERT Pretraining Approach（BERT 預訓練技巧，雖然跟大部分人沒啥關系）
參考：
你有哪些deep learning（rnn、cnn）調參的經驗？
Bag of Tricks for Image Classification with Convolutional Neural Networks，trick 合集 1。
Must Know Tips/Tricks in Deep Neural Networks，trick 合集 2。
33條神經網絡訓練秘技，trick 合集 3。
26秒單GPU訓練CIFAR10，工程實踐。
Batch Normalization，雖然玄學，但是養活了很多煉丹師。
Searching for Activation Functions，swish 激活函數。