知乎 | 深度學(xué)習(xí)有哪些常用的Tricks？
問答來源：https://www.zhihu.com/question/30712664
# 回答一
作者：DOTA
京東算法工程師
來源鏈接：https://zhuanlan.zhihu.com/p/352971645
還是蠻多的，之前總結(jié)過一次，在這里搬運一下，DOTA：大道至簡：算法工程師煉丹Trick手冊
https://zhuanlan.zhihu.com/p/352971645
Focal Loss
針對類別不平衡問題，用預(yù)測概率對不同類別的loss進行加權(quán)。Focal loss對CE loss增加了一個調(diào)制系數(shù)來降低容易樣本的權(quán)重值，使得訓(xùn)練過程更加關(guān)注困難樣本。
loss = -np.log(p)loss = (1-p)^G * loss
Dropout
隨機丟棄，抑制過擬合，提高模型魯棒性。
Normalization
Batch Normalization 于2015年由 Google 提出，開 Normalization 之先河。其規(guī)范化針對單個神經(jīng)元進行，利用網(wǎng)絡(luò)訓(xùn)練時一個 mini-batch 的數(shù)據(jù)來計算該神經(jīng)元的均值和方差,因而稱為 Batch Normalization。
x = (x - x.mean()) / x.std()relu
用極簡的方式實現(xiàn)非線性激活，緩解梯度消失。
x = max(x, 0)Cyclic LR
每隔一段時間重啟學(xué)習(xí)率，這樣在單位時間內(nèi)能收斂到多個局部最小值，可以得到很多個模型做集成。
scheduler = lambda x: ((LR_INIT-LR_MIN)/2)*(np.cos(PI*(np.mod(x-1,CYCLE)/(CYCLE)))+1)+LR_MINWith Flooding
當(dāng)training loss大于一個閾值時，進行正常的梯度下降；當(dāng)training loss低于閾值時，會反過來進行梯度上升，讓training loss保持在一個閾值附近，讓模型持續(xù)進行"random walk"，并期望模型能被優(yōu)化到一個平坦的損失區(qū)域，這樣發(fā)現(xiàn)test loss進行了double decent。
flood = (loss - b).abs() + bGroup Normalization
def GroupNorm(x, gamma, beta, G, eps=1e-5):# x: input features with shape [N,C,H,W]# gamma, beta: scale and offset, with shape [1,C,1,1]# G: number of groups for GNN, C, H, W = x.shapex = tf.reshape(x, [N, G, C // G, H, W])mean, var = tf.nn.moments(x, [2, 3, 4], keep dims=True)x = (x - mean) / tf.sqrt(var + eps)x = tf.reshape(x, [N, C, H, W])return x * gamma + beta
Label Smoothing
abel smoothing將hard label轉(zhuǎn)變成soft label，使網(wǎng)絡(luò)優(yōu)化更加平滑。標(biāo)簽平滑是用于深度神經(jīng)網(wǎng)絡(luò)（DNN）的有效正則化工具，該工具通過在均勻分布和hard標(biāo)簽之間應(yīng)用加權(quán)平均值來生成soft標(biāo)簽。它通常用于減少訓(xùn)練DNN的過擬合問題并進一步提高分類性能。
targets = (1 - label_smooth) * targets + label_smooth / num_classes
Wasserstein GAN
徹底解決GAN訓(xùn)練不穩(wěn)定的問題，不再需要小心平衡生成器和判別器的訓(xùn)練程度 基本解決了Collapse mode的問題，確保了生成樣本的多樣性訓(xùn)練過程中終于有一個像交叉熵、準(zhǔn)確率這樣的數(shù)值來指示 訓(xùn)練的進程，數(shù)值越小代表GAN訓(xùn)練得越好，代表生成器產(chǎn)生的圖像質(zhì)量越高 不需要精心設(shè)計的網(wǎng)絡(luò)架構(gòu)，最簡單的多層全連接網(wǎng)絡(luò)就可以做到以上3點。
Skip Connection
一種網(wǎng)絡(luò)結(jié)構(gòu)，提供恒等映射的能力，保證模型不會因網(wǎng)絡(luò)變深而退化。
F(x) = F(x) + x參考文獻
https://www.zhihu.com/question/427088601 https://arxiv.org/pdf/1701.07875.pdf https://zhuanlan.zhihu.com/p/25071913 https://www.zhihu.com/people/yuconan/posts
# 回答二
作者：永無止境
來源鏈接：
https://www.zhihu.com/question/30712664/answer/1341368789在噪聲較強的時候，可以考慮采用軟閾值化作為激活函數(shù)：
軟閾值化幾乎是降噪的必備步驟，但是閾值τ該怎么設(shè)置呢？
閾值τ不能太大，否則所有的輸出都是零，就沒有意義了。而且，閾值不能為負(fù)。
針對這個問題，深度殘差收縮網(wǎng)絡(luò)[1][2]提供了一個思路，設(shè)計了一個特殊的子網(wǎng)絡(luò)來自動設(shè)置：
Zhao M, Zhong S, Fu X, Tang B, Pecht M. Deep residual shrinkage networks for fault diagnosis. IEEE Transactions on Industrial Informatics. 2019 Sep 26;16(7):4681-90.
參考：
# 回答三
作者：馮遷
來源鏈接：https://www.zhihu.com/question/30712664/answer/1816283937
贊比較多的給了些，損失函數(shù)(focal)，模型結(jié)構(gòu)（identity skip)，訓(xùn)練方面（strategy on learning rate),穩(wěn)定性方面（normalization）,復(fù)雜泛化性（drop out），宜優(yōu)化性（relu,smooth label)等，這些都可以擴展。
focal 可以擴展到centernet loss，結(jié)構(gòu)有尺度fpn，重復(fù)模塊，堆疊concatenate，splite，cross fusion等，訓(xùn)練方面有teaching，step learning，對抗（本身是個思想），多階段優(yōu)化，progress learning，穩(wěn)定性方面，batch normal，instance normal，group normal之外，還有譜范數(shù)等，復(fù)雜性還有正則l1/2等，宜優(yōu)化性，可以擴展到檢測的anchor等。
dl你得說優(yōu)化器吧，把動量，一二階考慮進來，梯度方向和一階動量的折中方向，把隨機考慮進來sgd
以上可能帶來最多10的收益，你得搞數(shù)據(jù)啊
數(shù)據(jù)方面的處理clean，various ，distribution,aug data等更重要(逃…
“理論”在收斂速度，穩(wěn)定，泛化，通用，合理等方面著手，性能在數(shù)據(jù)方面著手。
往期精彩：
【原創(chuàng)首發(fā)】機器學(xué)習(xí)公式推導(dǎo)與代碼實現(xiàn)30講.pdf
【原創(chuàng)首發(fā)】深度學(xué)習(xí)語義分割理論與實戰(zhàn)指南.pdf
求個在看