调试神经网络让人抓狂？这有16条锦囊妙计送给你

即便对于行家来说，调试神经网络也是一项艰巨的任务。数百万个参数挤在一起，一个微小的变化就能毁掉所有辛勤工作的成果。然而不进行调试以及可视化，一切就只能靠运气，最后可能浪费掉大把的青春岁月。

 

怎么办？这里是我总结的一些方法，希望对你有所帮助。

 

 

 

一般来说，几百次迭代后神经网络就会对数据过拟合。如果损失还不下降，那么问题可能就深了。

 

 

先建立一个最小的网络来解决核心问题，然后一步一步扩展到全局问题。比方构建一个风格迁移网络，应该首先在一张图片上训练。成功之后，再构建一个可以对任意图片实现风格迁移的模型。

 

 

以训练模型进行数据分类为例，每一类的输入训练数据量应该一致。不然会出现某一类的过拟合。神经网络对于所有失真应该具有不变性，你需要特别训练这一点。所以输入一些失真数据，有助于提高网络的准确率。

 

 

数据集应该足以让网络完成学习。如果大网络配上小数据集，学习过程就会停止，有可能一大堆输入都得出同样的输出。如果小网络配上大数据集，你会遇见损失的跳跃，因为网络容量存储不了这么多信息。

 

 

这有助于从网络中去除噪音数据，并且提高训练效果，在某些情况下还有助于解决NaN问题。不过切记对于时间序列数据，应该使用批量中心化而不是全局。

 

 

 

我看到太多人一上来就尝试ResNet-50、VGG19等标准的大型网络，结果发现他们的问题其实只要几层网络就能解决。所以如果不是有什么恋大的情结，麻烦你从小型网络开始着手。

 

增加的东西越多，越难训练出一个解决问题的模型。从小网络开始训练，可以节省更多的时间。以及，大网络会占用更多的内存和运算。

 

 

如果用TensorFlow，那就必须用Tensorboard。否则，请为你的框架找到别的可视化工具，或者自己写一个。因为这有助于你在训练早期阶段发现问题。你应该明确的看到这些数据：损失、权重直方图、变量和梯度。

 

如果是处理计算机视觉方面的工作，始终要对过滤器进行可视化，这样才能清楚的了解网络正在看到的是什么内容。

 

 

如果不能正确的设置权重，你的网络可能会因为梯度消失等原因变得无法学习。以及你要知道权重和学习率互相结合，大学习率和大权重可能导致NaN问题。

 

对于小型网络，在1e-2~1e-3附近使用一些高斯分布初始化器就够了。

 

对于深层网络这没什么用，因为权重将相乘多次，这会带来非常小的数字，几乎可以消除反向传播那步的梯度。多亏了Ioffe和Szegedy，我们现在有了Batch-Normalization（批量归一化），这能减少好多麻烦。

 

 

有很多你立马就能用的预训练模型。在某些情况下，你可以直接使用这些模型，也可以进行微调节省训练时间。核心思想是，对于不同的问题，大多数网络的容量是一样的。比方，搞计算机视觉，那么网络的第一层就是由简单的过滤器构成，例如线、点等等，所有的图片都是如此，根本不需要重新训练。

 

 

这总能对你有所帮助。TensorFlow里面有很多可以用的衰减调度器。

 

不要手动检查所有的参数，这样耗时而且低效。我通常对所有参数使用全局配置，检查运行结果之后，我回进一步研究改进的方向。如果这种方法没有帮助，那么你可以使用随机搜索或者网格搜索。

 

 

 

 

 

例如Sigmoid以及Tanh等激活函数存在饱和问题，也就是在函数的一端，激活函数的导数会趋近于零，这会“杀死”梯度和学习过程。所以换用不同的激活函数是个好主意。现在标准的激活函数是ReLU。

 

此外这个问题也可能出现在非常深或者循环网络中，例如对于一个150层的网络，所有的激活函数都给定为0.9，那么0.9¹⁵⁰ = 0,000000137。正如我上面提到的，批量归一化有助于解决这个问题。

 

 

Sigmoid、ReLU都不是以零为中心的激活函数。这意味着在训练期间，所有的梯度都将是正（或者负）的，这会导致学习过程中出现问题。这也是为什么我们使用零中心化的输入数据。

 

 

标准的ReLU函数也不完美。对于负数，ReLU会给出0，这意味着函数没有激活。换句话说，神经元有一部分从未被使用过。发生这种情况的原因，主要是使用了大学习率以及错误的权重初始化。如果参数调整不能帮你解决这个问题，可以尝试Leaky ReLU、PReLU、ELU或者Maxout等函数。

 

 

这个问题与梯度消失差不多，只不过是每一步梯度越来越大。一个解决的方案是使用梯度裁剪，也就是给梯度下了一个硬限制。

 

非常深层的网络有个问题，就是会从某些点开始表现就完全崩了。这是因为增加更多的层会让网络的精度降低。解决的办法是使用残差层，保证部分输入可以穿过所有层。残差网络如下图所示。