吴恩达的课程笔记

train/dev/test

dev又称为 development set, hold-out cross-validation set

• 分割问题
  以前在小数据上的分割： 70/30, 60/20/20
  big data: dev/test 占比可以很小，just big enough for you to evaluat。（例如，你有一百万数据，只需要一万数据来做dev/test即可）
• Mismatched train/test distribution
  有时候，你的training set 来自某个来源和dev/test 来自另一个来源。
  Makesure dev and test come from same distribution
• Not having a test set might be okay. (Only dev set.)

Bias/Variance

• high variance : train set 上表现良好，dev set 上表现不佳（例如，train/dev 上的error 是1%/11%）
• high bias ： 在training set 上表现也不佳 (例如，train/dev 上的error 是15%/16%)
• 也可能出现 high bias & variance. 或者 low bias & variance

解决：

• high bias?
  • big network
  • train longer
• high variance?
  • Biger train set
    • 获取更多的真实数据。往往是最有效的方法，但成本巨大
    • 数据增强。在现有数据基础上，生成一些假象的数据。例如在做图像的时候，对图像做旋转、剪切，大大增加了数据量。
  • regularization
• trade-off between bias & variance
• early stopping。一般会同时影响 train/dev 的表现，所以不会多用。
  • validation：一种 early stopping。如果发现在 validation datasets 上误差连续上升，就停止迭代。

Regularization

在 logistic regression 中
$J(w,b)=\dfrac{1}{m}\sum\limits_{i=1}^m\mathcal L(\hat y^{(i)},y^{(i)})+\dfrac{\lambda}{2m}\mid\mid w\mid\mid_2^2$

• 为什么不加b？因为b只有1个维度，影响很小，可加可不加，为了简便就省了。
• L1-regularization (w will be sparse), L2-regularization
• $\lambda$ 值取决于 trade-off between bias & variance

在 neural network 中 $J(w,b)=\dfrac{1}{m}\sum\limits_{i=1}^m\mathcal L(\hat y^{(i)},y^{(i)})+\dfrac{\lambda}{2m}\sum\limits_{l=1}^L\mid\mid W\mid\mid_F^2$

• 不是 “L2 norm”，而是“Frobenius norm”，因为里面是矩阵，但意思差不多
• 对back propagation 的影响：$dW^{[l]}=dW^{[l]}{old}+\dfrac{\lambda}{m}W^{[l]}$. Weight decay: $W^{[l]}:=W^{[l]}-\alpha dW^{[l]}=(1-\dfrac{\lambda}{m}W^{[l]})-\alpha dW^{[l]}{old}$

Why ?
其实看过的另一本书里也回答过。

• 想象极端情况，W接近0，多层神经网络的表现接近1层（logistics regression）
• w接近0，使得激活函数局部更接近线性。

L1, L2 更多解释

$C=C_0+\dfrac{\lambda}{2n}\sum w^2$（其中n是数据集的大小）
偏导数就变成这种形式：

1. $\dfrac{\partial C}{\partial w}=\dfrac{\partial C_0}{\partial w}+\dfrac{\lambda}{n}w$
2. $\dfrac{\partial C}{\partial b}=\dfrac{\partial C_0}{\partial b}$

训练算法变成这样：

1. $w\to w-\eta\dfrac{\partial C_0}{\partial b}-\dfrac{\eta\lambda}{n}w$
2. $b\to b-\eta\dfrac{\partial C_0}{\partial b}$

对于L1正则化，$\dfrac{\partial C}{\partial w}=\dfrac{\partial C_0}{\partial w}+\dfrac{\lambda}{n} \mathcal{N}w$

以下引用 Michael Nielsen 的说法
规范化能够减轻过拟合，但背后的原因还不得而知。通常认为是因为小的权重意味着更低的复杂性。
例如，一个线性模型和一个9阶多项式都可以回归一组点，有两种可能：

1. 9次多项式是正确的
2. 线性模型是正确的，噪音是因为存在测量误差

科学中，很难说明哪种原则正确，“奥卡姆剃刀”也不是一个一般的科学原理。例如，爱因斯坦的理论更能预测天体的微小偏差，但复杂很多。
归根结底，你可以把规范化看成某种整合的技术，尽管其效果不错，但我们并没有一套完整的理解，仅仅当作不完备的启发规则或经验。规范化是一种帮助神经网络泛化的魔法，但不会带来原理上理解的指导。

Dropout

Dropout Regularization

随机、临时关闭某些神经元。在预测阶段，全部神经元激活，为了补偿这个，把权重按比例缩小。
Dropout 类似于某种 Bagging，含有某种投票机制。但又有显著的区别：

• Bagging 每个模型是独立的，而 Dropout 是共享参数的。
• Dropout 并不显式训练每个模型，如果按照 Bagging 的做法，对应排列组合到海量的子模型

# 对 l=3 进行dropout 操作
keep_prob=0.8

# forward propagation
d3=np.random.rand(a3.shape[0],a3.shape[1])<keep_prob
a3=a3*d3 # element product
a3/=keep_prob # 保证z的期望不变 “Inverted dropout technique”

# back propagation
da3=da3*d3
da3/=keep_prob

• test 阶段不Dropout
• 画loss图所用的数据不Dropout

Why ？

• Cannot rely on any one feature, so have to spread out weights. 实际上产生的是缩小weight的作用，也就是 regularization 的效果
• 用实际上更小的 neural network 来实现 regularizing effect.

Dropout 和 Bagging 比较

• 以 Bagging 的角度理解 Dropout，可以把 Dropout 当成很多子模型（子网络）。例如，有 n 个隐含层的2层神经网络，Dropout 就相当于 $2^n$ 个子模型的组合
• Dropout 的子模型都是共享的，Bagging 的模型都是独立的
• Dropout 的大部分子模型未能显式训练，因为在宇宙时间内都未必能采样到所有的子网络。
• Bagging 的最终结果由子模型的投票给出（算术平均）

Other regularization methods

• 用更多数据效果会更好，但是获得新数据很贵，对图像来说，可以这么做：反转、随机缩放、轻微旋转、扭曲
• early stopping. 实际上也是在W太大之前停止迭代，缺点是不太以$J$为优化目标。你可以用L2 regularization，然后就可以多迭代了。

Normalizing inputs

$\dfrac{x-u}{\sigma^2}$

Why ？ （我觉得更好的解释是，如果不做标准化，且数据分布差异大，那么实际上相当于初始化的权重偏差特别大，需要迭代相当多次才行，而这是浪费）

Vanishing / Exploding gradients

Weight Initialization

$Z=W_{1\times n}X+b$，上面的经验中，不能让Z太大，这就要求W要随着n变小。
可以在初始化时，使$\mathrm{var} w=1/n$

• ReLU：$\mathrm{var} w=2/n$
• tanh：$1/n$更好或者$2/(n^{[l-1]}+n^{[l]})$

Gradient checking

积分的数值求法:

• $f’(\theta)=\dfrac{f(\theta+\varepsilon)-f(\theta-\varepsilon)}{2\varepsilon}+O(\varepsilon^2)$
• $f’(\theta)=\dfrac{f(\theta+\varepsilon)-f(\theta)}{\varepsilon}+O(\varepsilon)$

Gradient checking可以用来找程序里面的bug
step1：reshape and concate $W^{[i]},b^{[i]},\forall i$ into $\theta$
step2: reshape and concate $dW^{[i]},db^{[i]},\forall i$ into $d\theta$
step3： for each i:$d\theta_{approx}[i]=\dfrac{J(\theta_1,\theta_2,…,theta_i+\varepsilon,…)-J(\theta_1,\theta_2,…,theta_i-\varepsilon,…)}{2\varepsilon}$
step4: check $d\theta_{approx}==d\theta$。use $\dfrac{\mid\mid d\theta_{approx}-\theta\mid\mid_2}{\mid\mid d\theta_{approx} \mid\mid_2+\mid\mid\theta\mid\mid_2}$
（当$\varepsilon=10^{-7}$，上值为$10^{-7}$就还不错，如果是$10^{-3}$就可能有问题了）

notes

• only debug，not train
• remember regularization
• Does not work with dropout
• Rarely, dw is correct when w is close to 0, so train for a while before do gradient check.

Underfitting

• model is not powerful enough
• over-regularized
• simply not been trained long enough

权重初始化

1/n

举例说明，某个3层神经元，输入层有1000个神经元，其中500个输出1,500个输出0
用$N(0,1)$初始化隐含层的 weight 和 bias
那么，对于某个隐含层的神经元，其输入是$\sum w_i^{l-1} v_i^{l-1}+b \sim N(0,501)$
这是一个非常宽的正态分布，导致其值较大和较小的概率都不低，这样会导致训练缓慢。

可以用$w\sim N(0,1/n),b\sim N(0,1)$来初始化 weight 和 bias，这样某个隐含层的输入是$\sum w_i^{l-1} v_i^{l-1}+b \sim N(0,1.5)$

实际上，两种方案训练很多次，准确率趋向于一致

非0

初始化时，不能用全0初始化，因为这样的话，每一层内部的神经元都一样，无论迭代多少次，值也都一样，也就失去了神经网络的意义。

实际上，可以设定w=0.01*np.random.randn,b=0
当然，w不能太大，容易落在sigmoid函数的尾部，导致迭代很慢。

batch_size

理论上，只要权重更新足够频繁，就可以训练到最优，这样看来在线学习（batch_size=1）似乎更好。
但是，

1. 神经网络每 batch_size 个样本，更新一次权重。在线学习更新太过频繁。
2. 现有的硬件支持矩阵运算，所以 batch_size 不为1时，每多一个样本，花费时间并不太增多。
3. batch_size 是一个相对独立的超参数（独立于网络整体架构之外）

momentum

用 Hessian 矩阵做最优化有巨大的优势，关于 Hessian 矩阵，出门左转非线性无约束最优化-牛顿法
问题是 Hessian 矩阵太大了，加入有n个权重，Hessian矩阵就是$n\times n$大小的
作为改进，使用 momentum

momentum 从物理中引入了两个概念，

1. 速度，梯度类似力，只改变加速度
2. 摩擦力，用来逐步减少速度

$v\to v’=\mu v-\eta \nabla C$
$w\to w’=w+v’$
$1-\mu$是摩擦力，$0\leq\mu\leq1$

其它最优化算法：共和梯度法、BFGS方法(limited memory BFGS,L-BFGS)

正则化

正则化的目的是减少泛化误差，而不是减少训练误差。

数据增强

噪声鲁棒性

• 向输入层注入噪声。噪声幅度被细心调整后，非常高效。
• 向隐含层注入噪声。Dropout 是一种做法
• 把噪声驾到权重。主要用于RNN。一定程度上等同于传统的正则化方法。
• 向输出注入噪声。输出不再是0-1标签数据，而是类似 1-e, e/(k-1) 的形式。这样在softmax中，0标签对应的项也参与梯度运算。

多任务学习

多任务学习可以额外提高泛化能力。

具体做法是，在神经网络前面的层共享，后面的层各自对应一个任务。

early stopping

有这种现象：随着训练进行，训练集上的误差继续降低，验证集上的误差反而开始上升。这也是一种正则化方法，一种高效的方法。

在某些情况下，early stopping 几乎等价于L2正则化。