格式修改
This commit is contained in:
pc-dell-liu
parent
3a29e1efb2
commit
b47491ab8e
|
|
@ -1,6 +1,6 @@
|
|||
###10.1 网络搭建有什么原则？
|
||||
### 10.1 网络搭建有什么原则？
|
||||
|
||||
####10.1.1新手原则。
|
||||
#### 10.1.1新手原则。
|
||||
|
||||
刚入门的新手不建议直接上来就开始搭建网络模型。比较建议的学习顺序如下：
|
||||
- 1.了解神经网络工作原理，熟悉基本概念及术语。
|
||||
|
|
@ -8,22 +8,22 @@
|
|||
- 3.找数据集动手跑一个网络，可以尝试更改已有的网络模型结构。
|
||||
- 4.根据自己的项目需要设计网络。
|
||||
|
||||
####10.1.2深度优先原则。
|
||||
#### 10.1.2深度优先原则。
|
||||
|
||||
通常增加网络深度可以提高准确率，但同时会牺牲一些速度和内存。但深度不是盲目堆起来的，一定要在浅层网络有一定效果的基础上，增加深度。深度增加是为了增加模型的准确率，如果浅层都学不到东西，深了也没效果。
|
||||
|
||||
####10.1.3卷积核size一般为奇数。
|
||||
#### 10.1.3卷积核size一般为奇数。
|
||||
|
||||
卷积核为奇数有以下好处：
|
||||
- 1 保证锚点刚好在中间，方便以 central pixel为标准进行滑动卷积，避免了位置信息发生偏移 。
|
||||
- 2 保证在填充（Padding）时，在图像之间添加额外的零层，图像的两边仍然对称。
|
||||
|
||||
####10.1.4卷积核不是越大越好。
|
||||
#### 10.1.4卷积核不是越大越好。
|
||||
|
||||
AlexNet中用到了一些非常大的卷积核，比如11×11、5×5卷积核，之前人们的观念是，卷积核越大，感受野越大，看到的图片信息越多，因此获得的特征越好。但是大的卷积核会导致计算量的暴增，不利于模型深度的增加，计算性能也会降低。于是在VGG、Inception网络中，利用2个3×3卷积核的组合比1个5×5卷积核的效果更佳，同时参数量（3×3×2+1=19<26=5×5×1+1）被降低，因此后来3×3卷积核被广泛应用在各种模型中。
|
||||
|
||||
|
||||
###10.2 有哪些经典的网络模型值得我们去学习的？
|
||||
### 10.2 有哪些经典的网络模型值得我们去学习的？
|
||||
|
||||
提起经典的网络模型就不得不提起计算机视觉领域的经典比赛：ILSVRC .其全称是 ImageNet Large Scale Visual Recognition Challenge.正是因为ILSVRC 2012挑战赛上的AlexNet横空出世，使得全球范围内掀起了一波深度学习热潮。这一年也被称作“深度学习元年”。而在历年ILSVRC比赛中每次刷新比赛记录的那些神经网络也成为了人们心中的经典，成为学术界与工业届竞相学习与复现的对象，并在此基础上展开新的研究。
|
||||
|
||||
|
|
@ -79,35 +79,35 @@ AlexNet中用到了一些非常大的卷积核，比如11×11、5×5卷积核，
|
|||
此后，ILSVRC挑战赛的名次一直是衡量一个研究机构或企业技术水平的重要标尺。
|
||||
ILSVRC 2017 已是最后一届举办.2018年起，将由WebVision竞赛（Challenge on Visual Understanding by Learning from Web Data）来接棒。因此，即使ILSVRC挑战赛停办了，但其对深度学习的深远影响和巨大贡献，将永载史册。
|
||||
|
||||
###10.3 网络训练有哪些技巧吗？
|
||||
### 10.3 网络训练有哪些技巧吗？
|
||||
|
||||
####10.3.1.合适的数据集。
|
||||
#### 10.3.1.合适的数据集。
|
||||
|
||||
- 1 没有明显脏数据(可以极大避免Loss输出为NaN)。
|
||||
- 2 样本数据分布均匀。
|
||||
|
||||
####10.3.2.合适的预处理方法。
|
||||
#### 10.3.2.合适的预处理方法。
|
||||
|
||||
关于数据预处理，在Batch Normalization未出现之前预处理的主要做法是减去均值，然后除去方差。在Batch Normalization出现之后，减均值除方差的做法已经没有必要了。对应的预处理方法主要是数据筛查、数据增强等。
|
||||
|
||||
####10.3.3.网络的初始化。
|
||||
#### 10.3.3.网络的初始化。
|
||||
|
||||
网络初始化最粗暴的做法是参数赋值为全0，这是绝对不可取的。因为如果所有的参数都是0，那么所有神经元的输出都将是相同的，那在back propagation的时候同一层内所有神经元的行为也是相同的，这可能会直接导致模型失效，无法收敛。吴恩达视频中介绍的方法是将网络权重初始化均值为0、方差为1符合的正态分布的随机数据。
|
||||
|
||||
####10.3.4.小规模数据试练。
|
||||
#### 10.3.4.小规模数据试练。
|
||||
|
||||
在正式开始训练之前，可以先用小规模数据进行试练。原因如下：
|
||||
- 1 可以验证自己的训练流程对否。
|
||||
- 2 可以观察收敛速度，帮助调整学习速率。
|
||||
- 3 查看GPU显存占用情况，最大化batch_size(前提是进行了batch normalization，只要显卡不爆，尽量挑大的)。
|
||||
|
||||
####10.3.5.设置合理Learning Rate。
|
||||
#### 10.3.5.设置合理Learning Rate。
|
||||
|
||||
- 1 太大。Loss爆炸、输出NaN等。
|
||||
- 2 太小。收敛速度过慢，训练时长大大延长。
|
||||
- 3 可变的学习速率。比如当输出准确率到达某个阈值后，可以让Learning Rate减半继续训练。
|
||||
|
||||
####10.3.6.损失函数
|
||||
#### 10.3.6.损失函数
|
||||
|
||||
损失函数主要分为两大类:分类损失和回归损失
|
||||
>1.回归损失：
|
||||
|
|
|
|||
Loading…
Reference in New Issue