详解DNN训练中出现的问题与解决方法方法

由于深度神经网络（DNN）层数很多，每次训练都是逐层由后至前传递。传递项<1，梯度可能变得非常小趋于0，以此来训练网络几乎不会有什么变化，即vanishing gradients problem；或者>1梯度非常大，以此修正网络会不断震荡，无法形成一个收敛网络。因而DNN的训练中可以形成很多tricks。。

1、初始化权重

起初采用正态分布随机化初始权重，会使得原本单位的variance逐渐变得非常大。例如下图的sigmoid函数，靠近0点的梯度近似线性很敏感，但到了，即很强烈的输入产生木讷的输出。

采用Xavier initialization，根据fan-in（输入神经元个数）和fan-out（输出神经元个数）设置权重。

并设计针对不同激活函数的初始化策略，如下图（左边是均态分布，右边正态分布较为常用）

2、激活函数

一般使用ReLU，但是不能有小于0的输入（dying ReLUs）

a.Leaky RELU

改进方法Leaky ReLU=max(αx,x)，小于0时保留一点微小特征。

具体应用

from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("/tmp/data/")reset_graph()n_inputs = 28 * 28  # MNISTn_hidden1 = 300n_hidden2 = 100n_outputs = 10X = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")y = tf.placeholder(tf.int64, shape=(None), name="y")with tf.name_scope("dnn"):   hidden1 = tf.layers.dense(X, n_hidden1, activation=leaky_relu, name="hidden1")   hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=leaky_relu, name="hidden2")   logits = tf.layers.dense(hidden2, n_outputs, name="outputs")with tf.name_scope("loss"):   xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)   loss = tf.reduce_mean(xentropy, name="loss")learning_rate = 0.01with tf.name_scope("train"):   optimizer = tf.train.GradientDescentOptimizer(learning_rate)   training_op = optimizer.minimize(loss)with tf.name_scope("eval"):   correct = tf.nn.in_top_k(logits, y, 1)   accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))init = tf.global_variables_initializer()saver = tf.train.Saver()n_epochs = 40batch_size = 50with tf.Session() as sess:   init.run()   for epoch in range(n_epochs):       for iteration in range(mnist.train.num_examples // batch_size):           X_batch, y_batch = mnist.train.next_batch(batch_size)           sess.run(training_op, feed_dict={X: X_batch, y: y_batch})       if epoch % 5 == 0:           acc_train = accuracy.eval(feed_dict={X: X_batch, y: y_batch})           acc_test = accuracy.eval(feed_dict={X: mnist.validation.images, y: mnist.validation.labels})           print(epoch, "Batch accuracy:", acc_train, "Validation accuracy:", acc_test)   save_path = saver.save(sess, "./my_model_final.ckpt")

 b. ELU改进

另一种改进ELU，在神经元小于0时采用指数变化

#just specify the activation function when building each layerX = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.elu, name="hidden1")

c. SELU

最新提出的是SELU（仅给出关键代码）

with tf.name_scope("dnn"):   hidden1 = tf.layers.dense(X, n_hidden1, activation=selu, name="hidden1")   hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=selu, name="hidden2")   logits = tf.layers.dense(hidden2, n_outputs, name="outputs")# train 过程means = mnist.train.images.mean(axis=0, keepdims=True)stds = mnist.train.images.std(axis=0, keepdims=True) + 1e-10with tf.Session() as sess:   init.run()   for epoch in range(n_epochs):       for iteration in range(mnist.train.num_examples // batch_size):           X_batch, y_batch = mnist.train.next_batch(batch_size)           X_batch_scaled = (X_batch - means) / stds           sess.run(training_op, feed_dict={X: X_batch_scaled, y: y_batch})       if epoch % 5 == 0:           acc_train = accuracy.eval(feed_dict={X: X_batch_scaled, y: y_batch})           X_val_scaled = (mnist.validation.images - means) / stds           acc_test = accuracy.eval(feed_dict={X: X_val_scaled, y: mnist.validation.labels})           print(epoch, "Batch accuracy:", acc_train, "Validation accuracy:", acc_test)   save_path = saver.save(sess, "./my_model_final_selu.ckpt")3、Batch Normalization

在2015年，有研究者提出，既然使用mini-batch进行操作，对每一批数据也可采用，在调用激活函数之前，先做一下normalization，使得输出数据有一个较好的形状，初始时，超参数scaling（γ）和shifting（β）进行适度缩放平移后传递给activation函数。步骤如下：

现今batch normalization已经被TensorFlow实现成一个单独的层，直接调用

测试时，由于没有mini-batch，故训练时直接使用训练时的mean和standard deviation（），实现代码如下

import tensorflow as tfn_inputs = 28 * 28n_hidden1 = 300n_hidden2 = 100n_outputs = 10batch_norm_momentum = 0.9X = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")y = tf.placeholder(tf.int64, shape=(None), name="y")training = tf.placeholder_with_default(False, shape=(), name='training')with tf.name_scope("dnn"):   he_init = tf.contrib.layers.variance_scaling_initializer()   #相当于单独一层   my_batch_norm_layer = partial(           tf.layers.batch_normalization,           training=training,           momentum=batch_norm_momentum)      my_dense_layer = partial(           tf.layers.dense,           kernel_initializer=he_init)   hidden1 = my_dense_layer(X, n_hidden1, name="hidden1")   bn1 = tf.nn.elu(my_batch_norm_layer(hidden1))# 激活函数使用ELU   hidden2 = my_dense_layer(bn1, n_hidden2, name="hidden2")   bn2 = tf.nn.elu(my_batch_norm_layer(hidden2))   logits_before_bn = my_dense_layer(bn2, n_outputs, name="outputs")   logits = my_batch_norm_layer(logits_before_bn)# 输出层也做一个batch normalizationwith tf.name_scope("loss"):   xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)   loss = tf.reduce_mean(xentropy, name="loss")with tf.name_scope("train"):   optimizer = tf.train.GradientDescentOptimizer(learning_rate)   training_op = optimizer.minimize(loss)with tf.name_scope("eval"):   correct = tf.nn.in_top_k(logits, y, 1)   accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))   init = tf.global_variables_initializer()saver = tf.train.Saver()n_epochs = 20batch_size = 200#需要显示调用训练时得出的方差均值，需要额外调用这些算子extra_update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)#在training和testing时不一样with tf.Session() as sess:   init.run()   for epoch in range(n_epochs):       for iteration in range(mnist.train.num_examples // batch_size):           X_batch, y_batch = mnist.train.next_batch(batch_size)           sess.run([training_op, extra_update_ops],                    feed_dict={training: True, X: X_batch, y: y_batch})       accuracy_val = accuracy.eval(feed_dict={X: mnist.test.images,                                               y: mnist.test.labels})       print(epoch, "Test accuracy:", accuracy_val)   save_path = saver.save(sess, "./my_model_final.ckpt")4、Gradient Clipp

处理gradient之后往后传，一定程度上解决梯度爆炸问题。（但由于有了batch normalization，此方法用的不多）

threshold = 1.0optimizer = tf.train.GradientDescentOptimizer(learning_rate)grads_and_vars = optimizer.compute_gradients(loss)capped_gvs = [(tf.clip_by_value(grad, -threshold, threshold), var)                                              for grad, var in grads_and_vars]training_op = optimizer.apply_gradients(capped_gvs)5、重用之前训练过的层

（Reusing Pretrained Layers）

对之前训练的模型稍加修改，节省时间，在深度模型训练（由于有很多层）中经常使用。

一般相似问题，分类数等和问题紧密相关的output层与最后一个直接与output相关的隐层不可以直接用，仍需自己训练。

如下图所示，在已训练出一个复杂net后，迁移到相对简单的net时，hidden1和2固定不动，hidden3稍作变化，hidden4和output自己训练。。这在没有自己GPU情况下是非常节省时间的做法。

# 只选取需要的操作X = tf.get_default_graph().get_tensor_by_name("X:0")y = tf.get_default_graph().get_tensor_by_name("y:0")accuracy = tf.get_default_graph().get_tensor_by_name("eval/accuracy:0")training_op = tf.get_default_graph().get_operation_by_name("GradientDescent")# 如果你是原模型的作者，可以赋给模型一个清楚的名字保存下来for op in (X, y, accuracy, training_op):   tf.add_to_collection("my_important_ops", op)# 如果你要使用这个模型X, y, accuracy, training_op = tf.get_collection("my_important_ops")# 训练时with tf.Session() as sess:   saver.restore(sess, "./my_model_final.ckpt")   for epoch in range(n_epochs):       for iteration in range(mnist.train.num_examples // batch_size):           X_batch, y_batch = mnist.train.next_batch(batch_size)           sess.run(training_op, feed_dict={X: X_batch, y: y_batch})       accuracy_val = accuracy.eval(feed_dict={X: mnist.test.images,                                               y: mnist.test.labels})       print(epoch, "Test accuracy:", accuracy_val)   save_path = saver.save(sess, "./my_new_model_final.ckpt")

a. Freezing the Lower Layers

训练时固定底层参数，达到Freezing the Lower Layers的目的

# 以MINIST为例n_inputs = 28 * 28  # MNISTn_hidden1 = 300 # reusedn_hidden2 = 50  # reusedn_hidden3 = 50  # reusedn_hidden4 = 20  # new!n_outputs = 10  # new!X = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")y = tf.placeholder(tf.int64, shape=(None), name="y")with tf.name_scope("dnn"):   hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.relu,                             name="hidden1") # reused frozen   hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=tf.nn.relu,                             name="hidden2") # reused frozen   hidden2_stop = tf.stop_gradient(hidden2)   hidden3 = tf.layers.dense(hidden2_stop, n_hidden3, activation=tf.nn.relu,                             name="hidden3") # reused, not frozen   hidden4 = tf.layers.dense(hidden3, n_hidden4, activation=tf.nn.relu,                             name="hidden4") # new!   logits = tf.layers.dense(hidden4, n_outputs, name="outputs") # new!with tf.name_scope("loss"):   xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)   loss = tf.reduce_mean(xentropy, name="loss")with tf.name_scope("eval"):   correct = tf.nn.in_top_k(logits, y, 1)   accuracy = tf.reduce_mean(tf.cast(correct, tf.float32), name="accuracy")with tf.name_scope("train"):   optimizer = tf.train.GradientDescentOptimizer(learning_rate)   training_op = optimizer.minimize(loss)reuse_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES,                              scope="hidden[123]") # regular expressionreuse_vars_dict = dict([(var.op.name, var) for var in reuse_vars])restore_saver = tf.train.Saver(reuse_vars_dict) # to restore layers 1-3init = tf.global_variables_initializer()saver = tf.train.Saver()with tf.Session() as sess:   init.run()   restore_saver.restore(sess, "./my_model_final.ckpt")   for epoch in range(n_epochs):       for iteration in range(mnist.train.num_examples // batch_size):           X_batch, y_batch = mnist.train.next_batch(batch_size)           sess.run(training_op, feed_dict={X: X_batch, y: y_batch})       accuracy_val = accuracy.eval(feed_dict={X: mnist.test.images,                                               y: mnist.test.labels})       print(epoch, "Test accuracy:", accuracy_val)   save_path = saver.save(sess, "./my_new_model_final.ckpt")

b. Catching the Frozen Layers

训练时直接从lock层之后的层开始训练，Catching the Frozen Layers

# 以MINIST为例n_inputs = 28 * 28  # MNISTn_hidden1 = 300 # reusedn_hidden2 = 50  # reusedn_hidden3 = 50  # reusedn_hidden4 = 20  # new!n_outputs = 10  # new!X = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")y = tf.placeholder(tf.int64, shape=(None), name="y")with tf.name_scope("dnn"):   hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.relu,                             name="hidden1") # reused frozen   hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=tf.nn.relu,                             name="hidden2") # reused frozen & cached   hidden2_stop = tf.stop_gradient(hidden2)   hidden3 = tf.layers.dense(hidden2_stop, n_hidden3, activation=tf.nn.relu,                             name="hidden3") # reused, not frozen   hidden4 = tf.layers.dense(hidden3, n_hidden4, activation=tf.nn.relu,                             name="hidden4") # new!   logits = tf.layers.dense(hidden4, n_outputs, name="outputs") # new!with tf.name_scope("loss"):   xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)   loss = tf.reduce_mean(xentropy, name="loss")with tf.name_scope("eval"):   correct = tf.nn.in_top_k(logits, y, 1)   accuracy = tf.reduce_mean(tf.cast(correct, tf.float32), name="accuracy")with tf.name_scope("train"):   optimizer = tf.train.GradientDescentOptimizer(learning_rate)   training_op = optimizer.minimize(loss)reuse_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES,                              scope="hidden[123]") # regular expressionreuse_vars_dict = dict([(var.op.name, var) for var in reuse_vars])restore_saver = tf.train.Saver(reuse_vars_dict) # to restore layers 1-3init = tf.global_variables_initializer()saver = tf.train.Saver()import numpy as npn_batches = mnist.train.num_examples // batch_sizewith tf.Session() as sess:   init.run()   restore_saver.restore(sess, "./my_model_final.ckpt")      h2_cache = sess.run(hidden2, feed_dict={X: mnist.train.images})   h2_cache_test = sess.run(hidden2, feed_dict={X: mnist.test.images}) # not shown in the book   for epoch in range(n_epochs):       shuffled_idx = np.random.permutation(mnist.train.num_examples)       hidden2_batches = np.array_split(h2_cache[shuffled_idx], n_batches)       y_batches = np.array_split(mnist.train.labels[shuffled_idx], n_batches)       for hidden2_batch, y_batch in zip(hidden2_batches, y_batches):           sess.run(training_op, feed_dict={hidden2:hidden2_batch, y:y_batch})       accuracy_val = accuracy.eval(feed_dict={hidden2: h2_cache_test, # not shown                                               y: mnist.test.labels})  # not shown       print(epoch, "Test accuracy:", accuracy_val)                    # not shown   save_path = saver.save(sess, "./my_new_model_final.ckpt")6、Unsupervised Pretraining

该方法的提出，让人们对深度学习网络的训练有了一个新的认识，可以利用不那么昂贵的未标注数据，训练数据时没有标注的数据先做一个Pretraining训练出一个差不多的网络，再使用带label的数据做正式的训练进行反向传递，增进深度模型可用性

也可以在相似模型中做pretraining

7、Faster Optimizers

在传统的SGD上提出改进

有Momentum optimization（最早提出，利用惯性冲量），Nesterov Accelerated Gradient，AdaGrad（adaptive gradient每层下降不一样），RMSProp，Adam optimization（结合adagrad和momentum，用的最多，是缺省的optimizer）

a. momentum optimization

记住之前算出的gradient方向，作为惯性加到当前梯度上。相当于下山时，SGD是静止的之判断当前最陡的是哪里，而momentum相当于在跑的过程中不断修正方向，显然更加有效。

b. Nesterov Accelerated Gradient

只计算当前这点的梯度，超前一步，再往前跑一点计算会更准一些。

c. AdaGrad

各个维度计算梯度作为分母，加到当前梯度上，不同维度梯度下降不同。如下图所示，横轴比纵轴平缓很多，传统gradient仅仅单纯沿法线方向移动，而AdaGrad平缓的θ1走的慢点，陡的θ2走的快点，效果较好。

但也有一定缺陷，s不断积累，分母越来越大，可能导致最后走不动。

d. RMSProp（Adadelta）

只加一部分，加一个衰减系数只选取相关的最近几步相关系数

e. Adam Optimization

目前用的最多效果最好的方法，结合AdaGrad和Momentum的优点

# TensorFlow中调用方法optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9)optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9, use_nesterov=True)optimizer = tf.train.RMSPropOptimizer(learning_rate=learning_rate,momentum=0.9, decay=0.9, epsilon=1e-10)# 可以看出AdamOptimizer最省心了optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)8、learning rate scheduling

learning rate的设置也很重要，如下图所示，太大不会收敛到全局最优，太小收敛效果最差。最理想情况是都一定情况缩小learning rate，先大后小

a. Exponential Scheduling

指数级下降学习率

initial_learning_rate = 0.1decay_steps = 10000decay_rate = 1/10global_step = tf.Variable(0, trainable=False)learning_rate = tf.train.exponential_decay(initial_learning_rate, global_step, decay_steps, decay_rate)optimizer = tf.train.MomentumOptimizer(learning_rate, momentum=0.9)training_op = optimizer.minimize(loss, global_step=global_step)9、Avoiding Overfitting Through Regularization

解决深度模型过拟合问题

a. Early Stopping

训练集上错误率开始上升时停止

b. l1和l2正则化

# construct the neural networkbase_loss = tf.reduce_mean(xentropy, name="avg_xentropy")reg_losses = tf.reduce_sum(tf.abs(weights1)) + tf.reduce_sum(tf.abs(weights2))loss = tf.add(base_loss, scale * reg_losses, name="loss")with arg_scope( [fully_connected], weights_regularizer=tf.contrib.layers.l1_regularizer(scale=0.01)):   hidden1 = fully_connected(X, n_hidden1, scope="hidden1")   hidden2 = fully_connected(hidden1, n_hidden2, scope="hidden2")   logits = fully_connected(hidden2, n_outputs, activation_fn=None,scope="out")reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)loss = tf.add_n([base_loss] + reg_losses, name="loss")

c. dropout

 一种新的正则化方法，随机生成一个概率，大于某个阈值就扔掉，随机扔掉一些神经元节点，结果表明dropout很能解决过拟合问题。可强迫现有神经元不会集中太多特征，降低网络复杂度，鲁棒性增强。

 加入dropout后，training和test的准确率会很接近，一定程度解决overfit问题

training = tf.placeholder_with_default(False, shape=(), name='training')dropout_rate = 0.5  # == 1 - keep_probX_drop = tf.layers.dropout(X, dropout_rate, training=training)with tf.name_scope("dnn"):   hidden1 = tf.layers.dense(X_drop, n_hidden1, activation=tf.nn.relu,                             name="hidden1")   hidden1_drop = tf.layers.dropout(hidden1, dropout_rate, training=training)   hidden2 = tf.layers.dense(hidden1_drop, n_hidden2, activation=tf.nn.relu,                             name="hidden2")   hidden2_drop = tf.layers.dropout(hidden2, dropout_rate, training=training)   logits = tf.layers.dense(hidden2_drop, n_outputs, name="outputs")

d. Max-Norm Regularization

可以把超出threshold的权重截取掉，一定程度上让网络更加稳定

def max_norm_regularizer(threshold, axes=1, name="max_norm",                                                  collection="max_norm"):   def max_norm(weights):       clipped = tf.clip_by_norm(weights, clip_norm=threshold, axes=axes)       clip_weights = tf.assign(weights, clipped, name=name)       tf.add_to_collection(collection, clip_weights)       return None # there is no regularization loss term   return max_normmax_norm_reg = max_norm_regularizer(threshold=1.0)hidden1 = fully_connected(X, n_hidden1, scope="hidden1",                                                 weights_regularizer=max_norm_reg)

e. Date Augmentation

 深度学习网络是一个数据饥渴模型，需要很多的数据。扩大数据集，例如图片左右镜像翻转，随机截取，倾斜随机角度，变换敏感度，改变色调等方法，扩大数据量，减少overfit可能性

10、default DNN configuration