亚洲国产欧美一区,亚洲系列中文字幕,高清av一区二区

首頁 > 動漫

《深度學習調(diào)優(yōu)指南.系統(tǒng)性優(yōu)化模型》中文版|全球播資訊

來源：程序員客棧時間：2023-06-24 01:57:51

向AI轉(zhuǎn)型的程序員都關(guān)注了這個號

(相關(guān)資料圖)

PDF獲取地址:

關(guān)注微信公眾號 datayx 然后回復指南即可獲取。

提高模型性能的科學方法

機器學習開發(fā)的最終目標是最大化模型的效用。盡管不同應(yīng)用場景的開發(fā)流程有所不同（例如時間長度、可用計算資源、模型類型等），基本步驟和原則都是相似的。

接下來的指南中我們做出了這些假設(shè)：

已有能運行且得到不錯結(jié)果的訓練工作流。

有足夠的計算資源來進行調(diào)參實驗，至少能夠并行發(fā)起數(shù)個訓練流程。

增量調(diào)整策略

總結(jié)：從簡單的配置開始，循序漸進，同時進一步了解問題。確保任何改進都有據(jù)可循，以避免增加不必要的復雜度。

我們的最終目標是找到一種訓練配置來最大化我們模型的性能。

在某些情況下，我們的目標是在固定截止日期（例如提交給競賽）之前最大限度地改進模型。

在其他情況下，我們希望無限期地改進模型（例如，不斷改進生產(chǎn)中使用的模型）。

原則上，我們可以使用算法自動搜索整個配置空間來最大化性能，但實踐中這往往不實際。

配置空間可能非常大，目前還沒有任何算法可以在沒有人工指導的情況下有效地搜索這個空間。

大多數(shù)自動搜索算法依賴于人工設(shè)計的搜索空間，這些搜索空間往往非常重要。

更有效的方法是從簡單的配置開始，逐步添加功能并進行改進，同時深化對問題的理解。

我們在每一輪調(diào)整中都使用自動搜索算法，并隨著我們理解的深度不斷更新我們的搜索空間。

隨著我們的探索，我們自然會找到越來越好的配置，因此我們的“最佳”模型將不斷改進。

當我們更新我們的最佳配置時，我們稱之為上線（這不一定對應(yīng)線上模型的實際上線）。

對于每次上線，我們必須確保更改是有據(jù)可循的——而不僅僅是碰運氣找到的配置——以避免給訓練工作流增加不必要的復雜性。

綜上所述，我們的增量調(diào)優(yōu)策略需要重復以下四個步驟：

為下一輪實驗確定適當?shù)哪繕恕?/p>

設(shè)計并展開實驗，朝著這個目標取得進展。

從實驗結(jié)果中獲取經(jīng)驗。

考慮是否上線新的最佳配置。

本節(jié)的其余部分將更詳細地講解增量調(diào)優(yōu)策略。

探索與利用

總結(jié)：大多數(shù)時候，我們的目標是更深入地理解問題。

盡管有些人認為我們會花大部分時間來提升驗證集的指標，實際上我們把重心放在進一步理解問題上，而不是降低驗證集錯誤率。

也就是說，我們大部分時間都花在了“探索”上，只有一小部分時間花在了“利用”上。

從長遠來看，如果我們想最大化我們的最終效果，深入理解問題是至關(guān)重要的。將深化理解置于短期收益之上可以幫助我們：

避免僅因歷史原因而表現(xiàn)良好的不必要更改。

確定驗證集效果對哪些超參數(shù)最敏感，哪些超參數(shù)交互最多，因此需要一起重新調(diào)整，以及哪些超參數(shù)對其他變化相對不敏感，因此可以在未來的實驗中固定住。

發(fā)現(xiàn)潛在的新方向，例如在出現(xiàn)過擬合問題時使用新的正則化器。

確定無效的方向并將其刪除，從而降低后續(xù)實驗的復雜度。

判斷超參數(shù)的優(yōu)化空間是否已經(jīng)飽和。

圍繞最佳值縮小我們的搜索空間，以提高調(diào)整效率。

最終，我們可以集中提升驗證集效果，即便我們無法從新的實驗中進一步了解問題的結(jié)構(gòu)了。

選擇下一輪實驗的目標

總結(jié)：每輪實驗都應(yīng)該有一個明確的目標，并且范圍要足夠小，這樣實驗才能真正朝著目標取得進展。

每輪實驗都應(yīng)該有一個明確的目標，并且范圍要足夠小，這樣實驗才能真正朝著目標取得進展：如果我們試圖一次添加多個特征或回答多個問題，我們可能無法理清各自的影響。

舉個例子，目標可以包括：

嘗試對訓練流程進行改進（例如，新的正則化器、預(yù)處理方法等）。

了解特定模型超參數(shù)（例如激活函數(shù)）的影響

最大化驗證集指標。

設(shè)計下一輪實驗

總結(jié)：根據(jù)實驗?zāi)繕耍瑢⒊瑓?shù)分為三類：目標超參數(shù)、冗余超參數(shù)和固定超參數(shù)。創(chuàng)建一系列研究以比較目標超參數(shù)的不同值，同時優(yōu)化冗余超參數(shù)。注意選擇冗余超參數(shù)的搜索空間，以平衡資源成本與科學價值。

識別目標超參數(shù)、冗余超參數(shù)和固定超參數(shù)

[點擊展開]

對于給定的目標，所有超參數(shù)都將是目標超參數(shù)、冗余超參數(shù)或固定超參數(shù)。

因為實驗固定了某些超參數(shù)，從實驗得出的結(jié)論可能對固定超參數(shù)的其他值無效。換句話說，固定的超參數(shù)對我們的實驗結(jié)論做了限定。

目標超參數(shù)是指，我們希望測量出其對于模型由何種影響的參數(shù)。

冗余超參數(shù)是指，必須優(yōu)化才能公平比較不同目標超參數(shù)值的參數(shù)。類似于統(tǒng)計中的冗余參數(shù)。

固定超參數(shù)是指，在當前輪次實驗中取固定值的參數(shù)。在比較目標超參數(shù)的不同值時，固定超參數(shù)的值不需要（或者我們不希望它們）改變。

舉個例子，如果我們的目標是“確定更深的模型是否會減少驗證集錯誤”，那么模型層數(shù)就是目標超參數(shù)。

學習率是一個冗余超參數(shù)，如果我們要公平對比不同深度的模型，我們必須分別調(diào)整學習率（通常情況下最優(yōu)學習率和模型結(jié)構(gòu)有關(guān)）。

激活函數(shù)是一個固定超參數(shù)。我們可能通過過去的實驗發(fā)現(xiàn)最優(yōu)激活函數(shù)和模型深度無關(guān)。或者我們接受實驗得到的最優(yōu)深度的僅在某個激活函數(shù)上有效。或者我們也可以將激活函數(shù)作為一個冗余超參數(shù)和深度一起調(diào)優(yōu)。

一個超參數(shù)是目標超參數(shù)、冗余超參數(shù)還是固定超參數(shù)是根據(jù)實驗?zāi)繕藖頉Q定的。

比如，激活函數(shù)的選擇可以是一個目標超參數(shù)（對于當前問題，ReLU 或 tanh 是更好的選擇嗎？），一個冗余超參數(shù)（允許使用不同的激活函數(shù)，最好的 5 層模型是否優(yōu)于最好的 6 層模型？），或一個固定超參數(shù)（對于一個由 ReLU 構(gòu)成的網(wǎng)絡(luò)，在特定位置添加批標準化是否有幫助？）。

在設(shè)計新一輪實驗時，我們根據(jù)實驗?zāi)康拇_定目標超參數(shù)。

在此階段，我們將所有其他超參數(shù)視為冗余超參數(shù)。

接下來，我們將一些冗余超參數(shù)轉(zhuǎn)作為固定超參數(shù)。

一個冗余超參數(shù)和目標超參數(shù)的相互影響越多，固定這個參數(shù)所帶來的限制就越多。例如，權(quán)重衰減強度的最佳值通常取決于模型大小，因此固定權(quán)重衰減的強度來比較不同的模型大小，往往得不出有效的結(jié)論。

如下文所述，我們可以通過增加計算資源來應(yīng)對這種風險，但通常我們的最大資源預(yù)算低于調(diào)整所有非目標超參數(shù)所需的計算資源。

如果有無限的計算資源，我們會將所有非目標超參數(shù)保留為冗余超參數(shù)，這樣我們從實驗中得出的結(jié)論就不會受到固定超參數(shù)的限定。

然而，冗余超參數(shù)越多，我們沒能充分針對每個目標超參數(shù)調(diào)優(yōu)冗余超參數(shù)的風險就越高，從而我們從實驗中得出錯誤結(jié)論的風險也越高。

當我們判斷將一個冗余超參數(shù)轉(zhuǎn)換為固定超參數(shù)所帶來的限制少于調(diào)優(yōu)它所需的計算資源時，我們可以進行這種轉(zhuǎn)換。

盡管超參數(shù)的類型取決于實驗?zāi)繕耍珜τ谀承╊悇e的超參數(shù)，我們有以下經(jīng)驗法則：

例如，網(wǎng)絡(luò)層數(shù)通常是一個目標或固定的超參數(shù)，因為它往往會對訓練速度和內(nèi)存使用產(chǎn)生巨大影響。

例如，dropout 增加了代碼的復雜性，因此在決定是否包含它時，我們會將“no dropout”與“dropout”作為一個目標超參數(shù)，而將 dropout 率作為一個冗余超參數(shù)。

如果我們決定根據(jù)這個實驗將 dropout 添加到我們的訓練流程中，那么在未來的實驗中，dropout 率將是一個冗余超參數(shù)。

如果我們的實驗?zāi)繕松婕霸趦蓚€或多個不同的優(yōu)化器之間進行公平比較（例如“確定哪個優(yōu)化器在給定的步數(shù)中產(chǎn)生最低的驗證錯誤”），那么它就是一個目標超參數(shù)。

或者，我們可能出于各種原因?qū)⑵湓O(shè)為固定超參數(shù)，包括（1）先前的實驗表明最好的優(yōu)化器和當前的目標超參數(shù)無關(guān)；（2）當前優(yōu)化器的訓練曲線更容易理解 (3) 當前優(yōu)化器比其他優(yōu)化器使用更少的內(nèi)存。

它們很少是目標超參數(shù)，因為像“訓練流程的最佳學習率是多少？”這樣的目標沒有什么意義——最優(yōu)學習率很容易隨著下一次訓練流程的改變而改變。

盡管當資源有限或有強力的證據(jù)表明它們不影響目標超參數(shù)時，我們可能固定其中一些參數(shù)，但通常應(yīng)該假設(shè)優(yōu)化器超參數(shù)必須單獨調(diào)整，以在不同設(shè)置之間進行公平比較目標超參數(shù)。

此外，我們沒有優(yōu)化器超參數(shù)值的先驗傾向（例如，它們通常不會以任何方式影響前向傳遞或梯度的計算成本）。

在各種優(yōu)化器超參數(shù)（例如學習率、動量、學習率調(diào)度參數(shù)、Adam優(yōu)化器的beta等）中，至少有一些是冗余超參數(shù)，因為它們往往與其他變化相互影響。

相比之下，優(yōu)化器的選擇通常是一個目標超參數(shù)或固定超參數(shù)。

正則化技術(shù)引入的超參數(shù)通常是冗余超參數(shù)，但是否使用正則化技術(shù)往往是目標或固定超參數(shù)。

模型結(jié)構(gòu)超參數(shù)通常是目標或固定超參數(shù)，因為模型結(jié)構(gòu)變化會影響服務(wù)和訓練成本、延遲和內(nèi)存需求。

在某些情況下，一個超參數(shù)是冗余還是固定超參數(shù)將取決于目標超參數(shù)的值。

例如，假設(shè)我們想知道 Nesterov momentum 和 Adam 中哪個優(yōu)化器的驗證錯誤率更低。目標超參數(shù)是optimizer，它的值是{"Nesterov_momentum", "Adam"}。值optimizer="Nesterov_momentum"引入了冗余/固定超參數(shù){learning_rate, momentum}，但值optimizer="Adam"引入了冗余/固定超參數(shù){learning_rate, beta1, beta2, epsilon}。

僅針對目標超參數(shù)的某些值存在的超參數(shù)稱為條件超參數(shù)。

我們不應(yīng)該僅僅因為兩個條件超參數(shù)具有相同的名稱就認為它們是相同的！在上面的示例中，learning_rate對于optimizer="Nesterov_momentum"與optimizer="Adam"是不同的條件超參數(shù). 它在兩種算法中的作用相似（盡管不完全相同），但在每個優(yōu)化器中運行良好的值范圍通常相差幾個數(shù)量級。

機器學習算法AI大數(shù)據(jù)技術(shù)

搜索公眾號添加：datanlp

長按圖片，識別二維碼

閱讀過本文的人還看了以下文章：

TensorFlow 2.0深度學習案例實戰(zhàn)

基于40萬表格數(shù)據(jù)集TableBank，用MaskRCNN做表格檢測

《基于深度學習的自然語言處理》中/英PDF

Deep Learning 中文版初版-周志華團隊

【全套視頻課】最全的目標檢測算法系列講解，通俗易懂！

《美團機器學習實踐》_美團算法團隊.pdf

《深度學習入門：基于Python的理論與實現(xiàn)》高清中文PDF+源碼

《深度學習：基于Keras的Python實踐》PDF和代碼