本文基本上是 Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization 的知识点大纲。

具体的公式和理论，可以看Bin Weber的博客。

训练/开发/测试集（Train/dev/test）

• 数据量10000之内：70/30（免去dev）或60/20/20
• 更多数据：保证dev/test足够（~10000）即可

过拟合

• 引入更多训练样本
• 正则化（Normalization¹）
  • 目的：减小||W|| ←此时熵最大，可能性最高
  • L2正则化：在cost function上附加一个W，使W最小
  • dropout：随机关闭一些节点

欠拟合

• 增加神经网络的隐含层数
• 隐含层中的节点数
• 训练更长时间

初始化输入数据和参数

• 输入数据标准化（Normalization¹）：使每个维度在(-1,1)之间
• 权重（W，b）初始化：应保证经多级网络后总值基本不变（类比1.0001^n和0.9999^n）
  • 即Xavier初始化的变种，He初始化

提高梯度下降速度：mini-batch

由于内存/计算单元不够（always），每次计算部分数据

提高mini-batch的稳定性，减小摆动

• 将每个batch的优化结果进行指数加权平均（Momentum）
• RMSPROP
• Adam：综合以上两种方法
• 学习率衰减

超参数的选择

需要的超参数

• α，学习率/learning rate
• β10.9，β20.999，ε~1e-8（Adam中的参数）
• 层数
• 每层单元
• 学习率衰减
• mini-batch 尺寸（2的整数次方，大概是512之内？）

选择方案

• 随机
• 对于α和β，以对数形式随机

r=-4*np.random.rand()
a=10**r

Batch-Norm

• 对每一层的线性计算结果Z进行标准化
• 每层标准化的参数γ和β通过学习得到
• 提高收敛速度（与对初始值X的操作类似）

采用批标准化之后，尽管每一层的z还是在不断变化，但是它们的均值和方差将基本保持不变，这就使得后面的数据更加稳定，减少前面层与后面层的耦合 （via Bin Weber）

Softmax

当分类器需要分出更多类时使用

检验方程的梯度计算是否存在问题：梯度检验

用计算斜率的方式近似梯度

深度学习是否会陷入局部最优问题？

• 由于参数很多，对所有参数都为峰值基本上不可能
• 相比而言，鞍点更加普遍