卷积神经网络CNN实战6_神经网络隐藏层神经元数量相等

卷积神经网络过拟合

卷积神经网络正则化和Dropout

神经网络的学习能力受神经元数目以及神经网络层次的影响，神经元数目越大，神经网络层次越高，那么神经网络的学习能力越强，那么就有可能出现过拟合的问题；(通俗来讲：神经网络的空间表达能力变得更紧丰富了)
Regularization：正则化，通过降低模型的复杂度，通过在cost函数上添加一个正则项的方式来降低overfitting，主要有L1和L2两种方式
Dropout：通过随机删除神经网络中的神经元来解决overfitting问题，在每次迭代的时候，只使用部分神经元训练模型获取W和d的值，参考：
《Dropout: A Simple Way to Prevent Neural Networks from Overfitting》
http://www.cs.toronto.edu/~rsalakhu/papers/srivastava14a.pdf

一般情况下，对于同一组训练数据，利用不同的神经网络训练之后，求其输出的平均值可以减少overfitting。Dropout就是利用这个原理，每次丢掉一半左右的隐藏层神经元，相当于在不同的神经网络上进行训练，这样就减少了神经元之间的依赖性，即每个神经元不能依赖于某几个其它的神经元（指层与层之间相连接的神经元），使神经网络更加能学习到与其它神经元之间的更加健壮robust（鲁棒性）的特征。另外Dropout不仅减少overfitting，还能提高准确率。
正则化是通过给cost函数添加正则项的方式来解决overfitting，Dropout是通过直接修改神经网络的结构来解决overfitting


一般都可以使用Dropout解决过拟合问题
回归算法中使用L2范数相比于Softmax分类器，更加难以优化
对于回归问题，首先考虑是否可以转化为分类问题，比如：用户对于商品的评分，
可以考虑将得分结果分成1~5分，这样就变成了一个分类问题。
如果实在没法转化为分类问题的，那么使用L2范数的时候要非常小心，比如在
L2范数之前不要使用Dropout。
一般建议使用L2范数或者Dropout来减少神经网络的过拟合。

卷积神经网络训练算法

和一般的机器学习算法一样，需要先定义Loss Function,衡量预测值和实际值之间的误差，一般使用平方和误差公式
找到最小损失函数的W和b的值，CNN中常使用的是SGD
其实就是一般深度学习中的BP算法；SGD需要计算W和b的偏导，BP算法就是计算偏导用的，BP算法的核心是求导链式法则。

在神经网络中一般采用Mini-batch SGD，主要包括以下四个步骤的循环：

1. 采样一个batch的数据
2. 前向计算损失loss
3. 反向传播计算梯度(一个batch上所有样本的梯度和)
4. 利用梯度更新权重参数

使用BP算法逐级求解出ΔW和Δd的值
根据SGD(随机梯度下降)，迭代更新W和b

池化层误差反向传播

Maxpool 池化层反向传播，除最大值处继承上层梯度外，其他位置置零。

Maxpool 池化层反向传播，除最大值处继承上层梯度外，其他位置置零。

平均池化，我们需要把残差平均分成2*2=4份，传递到前边小区域的4个单元即可。