第三节1:深度学习必备组件之数据集处理和参数初始化

Posted 快乐江湖

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了第三节1:深度学习必备组件之数据集处理和参数初始化相关的知识,希望对你有一定的参考价值。

文章目录

从前文中可以看出,一个深度学习项目涉及“组件”非常多,例如损失函数、优化器、数据集处理等等,这些都需要我们去仔细研究,所以本节对这些深度学习中的重要组件进行详细叙述

一:数据集的处理

(1)数据集划分

数据集划分:对于一个数据集,我们一般会将其划分为如下三个部分

  • Train_set(训练集):占用70%,用于训练模型
  • Val_set(验证集):占用20%,用于验证模型性能,并以此调节参数、选择最佳模型
  • Test_set(测试集):占用10%,用于检验模型是否能够很好的预测输出,是否具有泛化能力

在划分数据集时注意

  • 这三个子集尽量保持同分布(随机)
  • 三个子集内的数据绝对不能重合,或者说污染
  • 在数据量较少,验证集和测试集可以合并为测试集,此时七三分即可

之所以需要验证集是因为

(2)数据集验证

因此,我们的模型不能通过测试集来评判,这样做反而会使模型过拟合测试数据,其参数只会针对测试数据有效,所以模型的验证应该要在验证集上。对于数据集的验证我们最常用的方法便是k-折交叉验证,它是指随机地将数据集切分为 k 个互不相交的大小相同的子集,然后将 k-1 个子集当成训练集训练模型,剩下的一个子集当测试集测试模型;将上一步对可能的 k 种选择重复进行 (每次挑一个不同的子集做测试集);这样就训练了 k 个模型,每个模型都在相应的测试集上计算测试误差,得到了 k 个测试误差,对这 k 次的测试误差取平均便得到一个交叉验证误差

如下图,k=3时就称之为3折交叉验证

(3)标准化和归一化

归一化(Standardization):将数据映射到[0, 1]或[-1, 1]之间,以此消除量纲

x i − m i n ( x i ) m a x ( x i ) − m i n ( x i ) \\fracx_i-min(x_i)max(x_i)-min(x_i) max(xi)min(xi)ximin(xi)

标准化(Normalization):将数据变换为均值为0,标准差为1的分布

x i − u σ \\fracx_i-u\\sigma σxiu

二:模型参数的初始化

(1)梯度消失和梯度爆炸

反向传播算法本质就是链式法则,而链式法则是一个连乘的形式,当层数越深的时候,梯度将以指数形式传播,所以梯度消失和梯度爆炸就是随着网络层数的增加,而最终使梯度值为接近0或非常大,继而无法继续训练的现象

梯度消失:sigmoid函数在早期是非常流行的,因为早期的人工神经网络受到生物神经网络的启发,神经元要么完全激活要么完全不激活(就像生物神经元)的想法很有吸引力。然而,它却是导致梯度消失问题的⼀个常见的原因。如下图当sigmoid函数输入过小或过大时梯度都会消失

import torch
from matplotlib import pyplot as plt

x = torch.arange(-8.0, 8.0, 0.1, requires_grad=True)
y = torch.sigmoid(x)
y.backward(torch.ones_like(x))
plt.figure(figsize=(12, 5))
plt.plot(x.detach(), y.detach())
plt.plot(x.detach(), x.grad.numpy())


梯度爆炸:梯度爆炸往往可能是由于不良初始化导致,没有机会让优化器收敛。如下图,生成100个高斯随机矩阵,并将它们与某个初始矩阵相乘,由于我们选择的尺度( σ 2 = 1 \\sigma^2=1 σ2=1),导致矩阵乘积发生爆炸

M = torch.normal(0, 1, size=(4, 4))
print("初始矩阵\\n", M)
for i in range(100):
    M = torch.mm(M, torch.normal(0, 1, size=(4, 4)))
print("百次相乘后\\n", M)

(2)模型参数初始化方法

①:Xavier初始化

Xavier初始化:基本思想是为了使得网络中信息更好的流动,每一层输出的方差应该尽量相等,Xavier初始化的实现就是下面的均匀分布

w ∼ U ( − a , a ) w\\sim U(-a, a) wU(a,a)

其中 a = g a i n ∗ 6 f a n i n + f a n o u t a=gain * \\sqrt\\frac6fan_in+ fan_out a=gainfanin+fanout6 g a i n gain gain是指争议,可以通过不同的激活函数算出

②:Kaiming方法

Kaiming方法:ReLU激活函数属于非饱和类激活函数,并不会出现类似Sigmoid和tanh激活函数使用过程中可能存在的梯度消失或梯度爆炸问题,反而因为ReLU激活函数的不饱和特性,ReLU激活函数的叠加极有可能出现神经元活性消失的问题,很明显,该类问题无法通过Xavier初始化解决。目前通用的针对ReLU激活函数的初始化参数方法,是由何凯明所提出的HE初始化方法,也被称为Kaiming方法

w ∼ U ( − b o u n d , b o u n d ) w\\sim U(-bound, bound) wU(bound,bound)

其中 b o u n d = g a i n ∗ 6 ( 1 + a 2 ) + f a n i n bound=gain * \\sqrt\\frac6(1+a^2)+fanin bound=gain(1+a2)+fanin6 a a a是激活函数leaky_relu的负半轴斜率


from torch import nn
model = nn.Linear(in_features=16, out_features=128)
print("Xavier方法")
print(model.weight)
nn.init.xavier_uniform_(model.weight, gain=nn.init.calculate_gain('tanh'))
print(model.weight)
print("Kaiming方法")
nn.init.kaiming_uniform_(model.weight, a=1, mode='fan_in', nonlinearity='leaky_relu')
print(model.weight)

以上是关于第三节1:深度学习必备组件之数据集处理和参数初始化的主要内容,如果未能解决你的问题,请参考以下文章

第三节2:深度学习必备组件之损失函数和激活函数

第三节2:深度学习必备组件之损失函数和激活函数

第三节5:深度学习必备组件之欠拟合和过拟合

第三节5:深度学习必备组件之欠拟合和过拟合

第三节4:深度学习必备组件之TensorBoard和标准化技术

第三节3:深度学习必备组件之优化器和优化算法