【吴恩达深度学习笔记】2.1 深度学习实践方面Practical aspects of Deep Learning

第二门课 改善深层神经网络：超参数调试、正则化以及优化（Improving Deep Neural Networks:Hyperparameter tuning,Regularization and Optimization）

1.1训练，验证，测试集（Train / Dev / Test sets）

训练数据通常划分为：

• 训练集（training set）：尝试不同的模型框架训练数据，
• 验证集（development set）：通过验证集或简单交叉验证集选择最好的算法模型
• 测试集（test set）：正确评估分类器的性能，对最终选定的神经网络系统做无偏估计

在机器学习发展的小数据量时代，一般60%训练集，20%验证集，20%测试集。大数据时代，验证集和测试集占数据总量的比例会趋于更小，一般小于数据总量的20%或10%。根据经验，建议确保验证集和测试集的数据来自同一分布。如果没有测试集也可以，一般训练集被称为测试集。在训练集上训练，尝试不同的模型框架，在验证集上评估这些模型，然后迭代并选出适用的模型。因为验证集中已经涵盖测试集数据，其不再提供无偏性能评估。

1.2偏差，方差（Bias / Variance）

高偏差（high bias）：数据欠拟合（underfitting）
高方差（high variance）:数据过度拟合（overfitting）
适度拟合（just right）

1.3机器学习基础（Basic Recipe for Machine Learning）

• 高偏差和高方差是两种不同的情况，通常会用训练验证集来诊断算法是否存在偏差或方差问题，然后根据结果选择尝试部分方法。若算法存在高偏差问题增加训练数据也没用。
• 现在我们有工具可以做到在减少偏差或方差的同时，不对另一方产生过多不良影响。

1.4正则化（Regularization）

正则化可以避免过度拟合并减少神经网络的误差
$w$和$b$是逻辑回归的两个参数，$w\in {\mathbb{R}}^{n_x}$是多维度参数矢量，$b\in \mathbb{R}$是一个实数，我们想要的是求成本函数的最小值，正则化表达式如下：

$$J(w,b)=\frac{1}{m}\sum _{i=1}^{m}L({\hat{y}}^{(i)},y^{(i)})+\frac{\lambda }{2m}{\Vert w\Vert }_2^2$$

$$L_{2}regularization:{\Vert w\Vert }_2^2=\sum _{j=1}^{n_x}{w}_j^2=w^{T}w$$

此方法利用了欧几里得范数（2范数），称为$L2$正则化。此处只正则化$w$而不正则化$b$，因为$w$通常是高维参数矢量，已经可以表达高偏差问题，加了参数$b$并没有什么影响。$\lambda$也是一个超参数 。

$$L_{1}regularization:\frac{\lambda }{2m}\sum _{j=1}^{n_x}|w_j|=\frac{\lambda }{2m}{\Vert w\Vert }_1$$

$L1$正则化$w$最终是稀疏的，即$w$向量中有很多0，实际上这样也并没有降低太多的存储内存，一般在训练网络时选择$L2$正则化。

$$J(w^{[1]},b^{[1]},...,w^{[L]},b^{[L]})=\frac{1}{m}\sum _{i=1}^{m}L({\hat{y}}^{(i)},y^{(i)})+\frac{\lambda }{2m}\sum _{l=1}^L{\Vert w^{[l]}\Vert }_F^2$$

$${\Vert w^{[l]}\Vert }_F^2=\sum _{i=1}^{n^{l-1}}\sum _{j=1}^{n^l}(w_{ij}^l{)}^2$$

${\Vert w^{[l]}\Vert }_F^2$矩阵范数被称作“弗罗贝尼乌斯范数”，用下标$F$标注，代表矩阵中所有元素的平方求和，其中$W:(n^{[l-1]},n^{[l]})$，$l$为神经网络层数。

$$\frac{\partial J}{\partial w^{[l]}}=d{w}^{[l]}=(frombackprop)+\frac{\lambda }{m}{w}^{[l]}$$

$$w^{[l]}:=w^{(l)}-\alpha d{w}^{[l]}=w^{(l)}-\alpha [(frombackprop)+\frac{\lambda }{m}{w}^{[l]}]=w^{[l]}-\frac{\alpha \lambda }{m}{w}^{[l]}-\alpha (frombackprop)$$

矩阵$W$前面的系数为$(1-\alpha \frac{\lambda }{m})<1$，因此$L2$正则化有时被称为“权重衰减”。

1.5为什么正则化有利于预防过拟合？（Why regularzation reduces overfitting?）

如果正则化$\lambda$设置得足够大，权重矩阵$W$就设置为接近0，此时大量的隐藏单元的影响就变得很小，神经网络变得更简单，这样更不容易发生过拟合。

对于$tanh$函数，如果$\lambda$很大，$w^{[l]}$很小，$z$也会很小，$g(z)$大致呈线性，若每层都是线性的，整个神经网络就是线性网络，即使网络很深，也不适用于非常复杂的决策，即不会发生过拟合。

1.6dropout正则化（Dropout Regularization）

dropout（随机失活）正则化会遍历网络的每一层，并设置消除网络中节点的概率。

最常用的方法实施dropout，即Inverted dropout（反向随机失活），定义向量$d$，$d^{[3]}$表示一个三层的dropout向量：

d3=np.random.rand(a3.shape[0],a3.shape[1])

判断$d3$是否小于keep-prob，keep-prob是一个具体的数字，表示保留某个隐藏单元的概率。若$keep-prob=0.8$，表示消除任意一个隐藏单元的概率是0.2，$d^{[3]}$是一个矩阵，每个样本和每个隐藏单元，$d^{[3]}$中对应值为1的概率为0.8，对应为0的概率为0.2。

从第三层中获取激活函数$a^{[3]}$:

a3=np.multiply(a3,d3) 或者a3 *= d3

最后向外扩展$a^{[3]}$，以便不影响后面的期望值。

a3 /= keep-prob

1.7理解dropout（Understanding Dropout）

实施dropout的结果使它会压缩权重，并完成一些预防过拟合的外层正则化，$L2$对不同权重的衰减是不同的，它取决于激活函数倍增的大小。

dropout一大缺点就是代价函数不再被明确定义，每次迭代都会随机移除一些节点。首先通常会关闭dropout函数，将keep-prob的值设为1，运行代码，确保J函数单调递减。然后打开dropout函数，希望在dropout过程中，代码并未引入bug。

1.8其他正则化方法（Other regularization methods）

1. 数据扩增：翻转、旋转、扭曲图片以增大数据集
   
2. early stopping：在迭代过程和训练过程中$w$的值会变得越来越大，通过early stopping在中间点停止迭代过程得到一个$w$值中等大小的弗罗贝尼乌斯范数。
   

early stopping的主要缺点是不能独立地处理这两个问题，因为提早停止梯度下降，也就停止优化代价函数$J$，所以代价函数$J$的值可能不够小，同时又希望不出现过拟合，你没有采取不同的方式来解决这两个问题，而是用一种方法同时解决两个问题。如果不用early stopping，另一种方法就是$L2$正则化，训练神经网络的时间就可能很长，导致超参数搜索空间更容易分解，也更容易搜索，但是缺点在于必须尝试很多正则化参数$\lambda$的值，这也导致搜索大量$\lambda$值的计算代价太高。

1.9归一化输入（Normalizing inputs）

归一化输入可以加速训练，归一化需要两个步骤：

1. 零均值化：$\mu =\frac{1}{m}{\sum }_{i=1}^m{x}^{(i)}$是一个向量，$x$等于每个训练数据$x$减去$\mu$，即移动训练集直到完成零均值化。
2. 归一化方差：${\sigma }^2=\frac{1}{m}{\sum }_{i=1}^m(x^{(i)}{)}^2$，所有数据除以向量${\sigma }^2$使各特征方差差不多。

不论是训练数据还是测试数据都是通过相同$\mu$和${\sigma }^2$定义的相同数据转换，其中$\mu$和${\sigma }^2$是由训练集数据计算得来的。

归一化输入的原因：

1.10梯度消失/梯度爆炸（Vanishing / Exploding gradients）

训练神经网络时，深度神经网络通常会面临梯度消失或梯度爆炸的问题，就是导数或坡度有时会变得非常大或非常小，加大了训练难度。

1.11神经网络的权重初始化（Weight initialization for Deep Networks）

在一定程度上降低梯度消失/梯度爆炸的不利影响可以设置某层权重矩阵为：

$$w^{[l]}=np.random.rand(shape)\ast np.sqrt(\frac{1}{n^{[l-1]}})$$

1.12梯度的数值逼近（Nemerical approximation of gradients）

在执行梯度检验时使用双边误差$f^{\prime }(\theta )=\frac{f(\theta +ϵ)-f(\theta +ϵ)}{2ϵ}$，其逼近误差可以写成$O({ϵ}^2)$，而不是单边误差$f^{\prime }(\theta )=\frac{f(\theta +ϵ)-f(\theta )}{ϵ}$，其逼近误差可以写为$O(ϵ)$，其中$ϵ$为一个很小的数。

1.13梯度检验（Gradient checking）

实施梯度检验的过程，英语简称“grad check。

Take $W^{[1]},b^{[1]},...,W^{[L]},b^{[L]}$ and reshape into a big vector $\theta$，即$J(W^{[1]},b^{[1]},...,W^{[L]},b^{[L]})=J(\theta )=J({\theta }_1,{\theta }_2,{\theta }_3,...)$

Take $d{W}^{[1]},d{b}^{[1]},...,d{W}^{[L]},d{b}^{[L]}$ and reshape into a big vector $d\theta$

循环执行，对每一个$i$也就是每个$\theta$组成元素计算$d{\theta }_{approx}[i]$的值，使用双边误差：

$$d{\theta }_{approx}[i]=\frac{J({\theta }_1,{\theta }_2,...{\theta }_1+ϵ,...)-J({\theta }_1,{\theta }_2,...{\theta }_1-ϵ,...)}{2ϵ}$$

只对${\theta }_i$增加$ϵ$，$\theta$其他项不变，对另一边减去$ϵ$，$\theta$其他项不变。$d{\theta }_{approx}[i]$应该接近$d\theta [i]=\frac{\partial J}{\partial {\theta }_i}$，$d\theta [i]$是代价函数的偏导数，需要对$i$的每个值都执行这个运算，最后得到逼近值$d{\theta }_{approx}$，取$ϵ=10^{-7}$时，求出$$\frac{{\Vert d{\theta }_{approx}-d\theta \Vert }_2}{{\Vert d{\theta }_{approx}\Vert }_2+{\Vert d\theta \Vert }_2}$$的值，若其在$10^{-7}$范围内，则结果正确，若在$10^{-5}$范围内，可能存在bug。

1.14梯度检验应用的注意事项（Gradient Checking Implementation Notes）

错题笔记

dropout只用在训练集上，目的是在每层添加噪声，降低对权重的依赖，从而防止过拟合。但是测试的时候目的是真实反映当前模型的优化程度，当然不能用dropout，否则会影响评估