前言：本笔记是对近日阅读keynote“Troubleshooting Deep Neural Networks”的总结。
keynote来源：
http://josh-tobin.com/troubleshooting-deep-neural-networks
为什么需要讨论DL Troubleshooting？
80%-90%时间用于debug和tune，10%-20%时间用于推导数学或者实现。
模型为什么会表现糟糕？
-
实现时的bug，很多深度学习bug不可见，比如模型label顺序错误
-
超参数选择，因为模型对超参数比较敏感
-
数据/模型拟合
-
数据集创建，常见问题如下：
-
没有足够数据
-
类别不平衡
-
噪声标签
-
训练和测试的分布不同
DL Troubleshooting策略
Start simple：尽可能使用最简单的模型和数据，比如在数据的一个子集上使用LeNet
-
选择简单结构
-
使用sensible配置
-
对输入归一化
-
简化问题
-
使用更小的训练数据
-
使用更小的图像尺寸
-
创建一个更简单的合成训练集
Implement & debug：使得模型在一个batch上过拟合或者复现已知结果
最常见的5种深度学习bug：
Get your model to run
常见问题及解决方法：
-
shape mismatch、casting issue等，可以在模型创建阶段使用调试器逐步调试，具体地，shape mismatch可能存在未定义形状、错误形状等问题，比如在错误维度求和、取平均等、忘记在卷积层后flatten张量等；casting issue中常见问题：没有将图像从uint8转换到float32等。
-
Out of Memory，逐一去除内存密集型操作，具体地，常见问题如下：tensor过大（batch size过大或者太大的全连接层）、数据过多（将太大的数据集加载到内存中或为数据集创建分配了太大的缓冲区）、拷贝错误（由于在同一会话中创建多个模型而导致的内存泄漏、重复创建操作（例如，在一次又一次调用的函数中））
Overfit a single batch
常见问题:
-
error上升：损失函数的符号错误、学习率太高、softmax使用在错误维度
-
error爆炸：数值问题、学习率太低
-
error震荡：数据或者标签有误、学习率太低
-
error不动：学习率太低、梯度没有在整个模型传播、过分正则化、损失函数的输入错误、数据或者标签有误
Compare to a known result
-
在相似数据集上评估官方提供的模型实现
-
在benchmark上评估官方提供的模型实现
-
非官方模型实现
-
参考文章结果（没有代码）
-
自己代码实现在benchmark上的结果
-
相似模型在相似数据集上的结果
-
非常简单的baseline，如线性回归
Evaluate：使用bias-variance decomposition决定下一步措施
Test error = irreducible error + bias + variance (+ distribution shift) + val overfitting (train, val, and test all come from the same distribution)
Improve model/data：如果欠拟合，使得模型更大；如果过拟合，增加数据或者添加正则化
解决欠拟合（使用顺序由上到低下）：
-
使得模型变大，比如增加层数或者在每层中使用更多单元
-
减少正则化
-
错误分析
-
选择一个不同结构
-
调整超参数
-
增加特征
解决过拟合（使用顺序由上到低下）：
-
增加更多数据
-
增加归一化
-
数据增强
-
增加正则化（如dropout、L2、weight decay）
-
错误分析
-
使用一个不同结构
-
调整超参数
-
及时停止
-
去除特征
-
减少模型大小
解决分布转换（distribution shift）：
-
分析测试-验证集错误 & 收集更多训练数据
-
分析测验-验证集错误 & 合成更多训练数据
-
使用领域适应改变训练和测试分布（领域适应，使用未标注数据或者有限的标注数据，将source上的训练结果泛化到target上）
平衡数据集
如果验证集上的结果好于测试结果，在验证集上过拟合。上述情况通常发生在小验证集上或者大规模超参数调整
Tune hype-parameters：由粗到细地随机搜索
超参数优化面临如下问题：
网络：多少层？如何参数初始化？卷积核大小？
优化器：batch size？学习率？beta1，beta 2？
正则化：？
方法1：人工选择超参数
-
需要理解算法，训练/评估网络，猜测一个更好的超参数值/重新评估，可以和其他方法相结合。
-
优点：对于经验丰富的专家，消耗非常小的计算量得到好结果
-
缺点：需要对算法有很深的见解、非常耗时
方法2：网格搜索
-
优点：实现非常简单、能够产生好结果
-
缺点：不高效、需要先验知识
方法3：随机搜索
方法4：由粗到细搜索
-
先在大区域中找到使得结果比较好的子区域，重复上述过程
-
优点：可以缩小非常高性能的超参数、实际使用最多的方法
-
缺点：somewhat manual process
方法5：贝叶斯方法
-
从预先估计参数分布开始，包含超参数值与模型性能之间关系的概率模型，交替如下过程：使用最大化期望结果对应的超参数值进行训练，根据训练结果更新概率模型
-
优点：最高效的hand-off方法以选择超参数
-
缺点：从头开始难以实施、很难与现成的工具集成
结论
-
由于错误种类多，深度学习debugging困难
-
为了训练一个没有bug的深度学习模型，需要将构造模型看作一个迭代过程
原文链接：https://zhuanlan.zhihu.com/p/89566632
转自 | Datawhale
<section style="margin-right: 8px;margin-left: 8px;white-space: normal;color: rgb(0, 0, 0);font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: center;widows: 1;line-height: 1.75em;"><br /></section><pre style="font-size: 16px;letter-spacing: 0.544px;background-color: rgb(255, 255, 255);"><section style="margin-right: 8px;margin-left: 8px;white-space: normal;color: rgb(0, 0, 0);font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: center;widows: 1;line-height: 1.75em;"><strong><span style="letter-spacing: 0.5px;font-size: 14px;"><strong style="font-size: 16px;letter-spacing: 0.544px;"><span style="letter-spacing: 0.5px;">—</span></strong>完<strong style="font-size: 16px;letter-spacing: 0.544px;"><span style="letter-spacing: 0.5px;font-size: 14px;"><strong style="font-size: 16px;letter-spacing: 0.544px;"><span style="letter-spacing: 0.5px;">—</span></strong></span></strong></span></strong></section><section style="white-space: normal;font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: center;widows: 1;color: rgb(255, 97, 149);"><section powered-by="xiumi.us"><section style="margin-top: 15px;margin-bottom: 25px;opacity: 0.8;"><section><section style="letter-spacing: 0.544px;"><section powered-by="xiumi.us"><section style="margin-top: 15px;margin-bottom: 25px;opacity: 0.8;"><section><p style="margin-right: 8px;margin-bottom: 15px;margin-left: 8px;padding-right: 0em;padding-left: 0em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 25.5938px;letter-spacing: 3px;"><span style="color: rgb(0, 0, 0);"><strong><span style="font-size: 16px;font-family: 微软雅黑;caret-color: red;">为您推荐</span></strong></span></p><section style="margin-right: 8px;margin-bottom: 5px;margin-left: 8px;padding-right: 0em;padding-left: 0em;min-height: 1em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 1.75em;letter-spacing: 0px;">微软黑科技：用玻璃片存储海量数据，千年不坏！<br /></section><section style="margin-right: 8px;margin-bottom: 5px;margin-left: 8px;padding-right: 0em;padding-left: 0em;min-height: 1em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 1.75em;letter-spacing: 0px;">作为 IT 行业的过来人，你有什么话想对后辈说的？<br /></section><section style="margin-right: 8px;margin-bottom: 5px;margin-left: 8px;padding-right: 0em;padding-left: 0em;min-height: 1em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 1.75em;letter-spacing: 0px;">程序员真的是太太太太太太太太难了！<br /></section><section style="margin-right: 8px;margin-bottom: 5px;margin-left: 8px;padding-right: 0em;padding-left: 0em;min-height: 1em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 1.75em;letter-spacing: 0px;">深度学习必懂的13种概率分布<br /></section><section style="margin-right: 8px;margin-bottom: 5px;margin-left: 8px;padding-right: 0em;padding-left: 0em;min-height: 1em;color: rgb(127, 127, 127);font-family: sans-serif;font-size: 12px;line-height: 1.75em;letter-spacing: 0px;">【微软】AI-神经网络基本原理简明教程</section></section></section></section></section></section></section></section></section>
本篇文章来源于: 深度学习这件小事
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈