深度学习中的偏差、方差、正则化_正则化偏差

参数和超参数

参数：W、b
超参数：
比如算法中的learning rate （学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n（隐藏层单元数目）、choice of activation function（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数W和b的值，所以它们被称作超参数。其他的还有一些：如momentum、mini batch size、regularization parameters等等。

激活函数

使用一个神经网络时，需要决定使用哪种激活函数用隐藏层上，哪种用在输出节点上。

sigmoid激活函数：除了输出层是一个二分类问题基本不会用它。
tanh激活函数：tanh是非常优秀的，几乎适合所有场合。
ReLu激活函数：最常用的默认函数，，如果不确定用哪个激活函数，就使用ReLu或者Leaky ReLu。

sigmoid函数和tanh函数两者共同的缺点是，在特别大或者特别小的情况下，导数的梯度或者函数的斜率会变得特别小，最后就会接近于0，造成梯度弥散，导致降低梯度下降的速度。在实践中，使用ReLu激活函数神经网络通常会比使用sigmoid或者tanh激活函数学习的更快。
唯一可以用线性激活函数的通常就是输出层。

反向传播：

随机初始化（Random+Initialization）

当你训练神经网络时，权重随机初始化是很重要的。对于逻辑回归，把权重初始化为0当然也是可以的。但是对于一个神经网络，如果你把权重或者参数都初始化为0，那么梯度下降将不会起作用。

如果你要初始化成0，由于所有的隐含单元都是对称的，无论你运行梯度下降多久，他们一直计算同样的函数。这没有任何帮助，因为你想要两个不同的隐含单元计算不同的函数，这个问题的解决方法就是随机初始化参数。你应该这么做：把W设为np.random.randn(2,2)(生成高斯分布)，通常再乘上一个小的数，比如0.01；b可以初始化为0。

训练，验证，测试集（Train / Dev / Test sets）

我们通常会将数据划分成几部分，一部分作为训练集，一部分作为简单交叉验证集，也称之为验证集（dev set），最后一部分则作为测试集。

当数据量较小时，通常按照70%训练集，30%测试集来划分，如果没有明确设置验证集，也可以按照60%训练，20%验证和20%测试集来划分。

但是在大数据时代，我们现在的数据量可能是百万级别，那么验证集和测试集占数据总量的比例会趋向于变得更小。因为验证集的目的就是验证不同的算法，检验哪种算法更有效；测试集的主要目的是正确评估分类器的性能。假设我们有100万条数据，其中1万条作为验证集，1万条作为测试集，100万里取1万，比例是1%，即：训练集占98%，验证集和测试集各占1%。对于数据量过百万的应用，训练集可以占到99.5%，验证和测试集各占0.25%，或者验证集占0.4%，测试集占0.1%。

偏差&方差

如果给这个数据集拟合一条直线，可能得到一个逻辑回归拟合，但它并不能很好地拟合该数据，这是高偏差（high bias）的情况，我们称为欠拟合（underfitting）。

相反的如果我们拟合一个非常复杂的分类器，比如深度神经网络或含有隐藏单元的神经网络，分类器高方差（high variance），数据过拟合（overfitting）。

上图是在两者之间，复杂程度适中，数据拟合适度的分类器，这个数据拟合看起来更加合理，我们称之为适度拟合（just right）是介于过度拟合和欠拟合中间的一类。

通过训练集误差和验证集误差判断算法偏差或方差是否偏高

高偏差(欠拟合)&高方差(过拟合)的解决方法

高偏差(欠拟合)：
神经网络初始模型训练完成后，首先要知道算法的偏差高不高，如果偏差较高，试着评估训练集或训练数据的性能。如果偏差的确很高，甚至无法拟合训练集，那么你要做的就是选择一个新的网络，比如含有更多隐藏层或者隐藏单元的网络（扩大网络规模），或者花费更多时间来训练网络，或者尝试更先进的优化算法。不断尝试这些方法，直到解决掉偏差问题，可以拟合数据为止，至少能够拟合训练集。

高方差(过拟合)：
一旦偏差降低到可以接受的数值，检查一下方差有没有问题，为了评估方差，我们要查看验证集性能，我们能从一个性能理想的训练集推断出验证集的性能是否也理想，如果方差高，最好的解决办法就是采用更多数据，但可能没办法获得那么多数据，这时也可以尝试通过正则化来减少过拟合，但是如果能找到更合适的神经网络框架，有时它可能会一箭双雕，同时减少方差和偏差。

除了正则化，还有几种方法可以减少神经网络中的过拟合：
1.数据扩增
假设你正在拟合猫咪图片分类器，如果你想通过扩增训练数据来解决过拟合，但扩增数据代价高，而且有时候我们无法扩增数据，但我们可以通过翻转图片、裁剪图片，并添加到训练集。通过翻转图片，训练集则可以增大一倍，因为训练集有冗余，这虽然不如我们额外收集一组新图片那么好，但这样做节省了获取更多猫咪图片的花费。
2.early stopping
early stopping要做就是在中间点停止迭代过程，我们得到一个值中等大小的弗罗贝尼乌斯范数。

正则化

如果神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，正则化有助于避免过度拟合，或者减少网络误差。另一个解决高方差的方法就是准备更多数据，这也是非常可靠的办法，但有时可能无法获得更多的数据。

L2正则化

以逻辑回归为例，一般使用L2正则化，其中λ是正则化参数，我们通常使用验证集或交叉验证集来配置这个参数，尝试各种各样的数据，寻找最好的参数，我们要考虑训练集之间的权衡，把参数设置为较小值，这样可以避免过拟合，所以λ是另外一个需要调整的超级参数。

在神经网络中，使用的是“弗罗贝尼乌斯范数”，它表示一个矩阵中所有元素的平方和。

用backprop计算出的值，backprop会给出J对​W的偏导数，现在我们在dW后边加上了这个正则化项。

W的系数小于等于1，所以L2范数正则化也被称为“权重衰减”，它就像一般的梯度下降。

为什么正则化可以减少过拟合？

如果正则化λ设置得足够大，权重矩阵W被设置为接近于0的值（L2正则化的权重更大了，为了使总误差J更小，需要W更小。），直观理解就是把多隐藏单元的权重设为0，神经网络的所有隐藏单元依然存在，但是它们的影响变得更小了。

总结一下，如果正则化参数变得很大，参数W很小，z也会相对变小，此时忽略b的影响，z会相对变小，实际上，z的取值范围很小，这个激活函数，也就是曲线函数会相对呈线性，整个神经网络会计算离线性函数近的值，这个线性函数非常简单，并不是一个极复杂的高度非线性函数，不会发生过拟合。

dropout 正则化（Dropout Regularization）

除了L2正则化，还有一个非常实用的正则化方法——“Dropout（随机失活）”，Dropout是一种正则化方法，它有助于预防过拟合。

如果神经网络中存在过拟合，dropout会遍历网络的每一层，并设置神经网络中每个节点得以保留和消除的概率都是0.5。之后我们会消除一些节点，然后删除掉从该节点进出的连线，最后得到一个节点更少，规模更小的网络，然后用backprop方法进行训练。

单个神经元不能依靠任何特征，因为特征都有可能被随机清除，或者说该单元的输入也都可能被随机清除。我不愿意把所有赌注都放在一个节点上，不愿意给任何一个输入加上太多权重，因为它可能会被删除。

keep-prob的选择：
它代表每一层上保留单元的概率。所以不同层的keep-prob也可以变化。第一层，矩阵W1是7×3，第二个权重矩阵W2是7×7，第三个权重矩阵W3是3×7，以此类推，W2是最大的权重矩阵，因为W2拥有最大参数集，即7×7，为了预防矩阵的过拟合，对于第二层，它的keep-prob值应该相对较低，假设是0.5。对于其它层，过拟合的程度可能没那么严重，它们的keep-prob值可能高一些，可能是0.7，这里是0.7。如果在某一层，我们不必担心其过拟合的问题，那么keep-prob可以为1，每层keep-prob的值可能不同。

注意keep-prob的值是1，意味着保留所有单元，并且不在这一层使用dropout，对于有可能出现过拟合，且含有诸多参数的层，我们可以把keep-prob设置成比较小的值，以便应用更强大的dropout。

Batch归一化

训练神经网络，其中一个加速训练的方法就是归一化输入。归一化需要两个步骤：
1.零均值化
2.归一化方差

也就是每个z值减去均值再除以标准偏差，为了使数值稳定，通常将ε作为分母，以防σ=0的情况。Batch归一化发生在z的计算a和之间，即把z归一化后将其输入激活函数中得到a。

在神经网络中间层也进行归一化处理，使训练效果更好的方法，就是批归一化Batch Normalization（BN）。

在CNN中，BN应作用在非线性映射前。在神经网络训练时遇到收敛速度很慢，或梯度爆炸等无法训练的状况时可以尝试BN来解决。另外，在一般使用情况下也可以加入BN来加快训练速度，提高模型精度。

比方说六层楼，每层布局一样，BatchNorm是一层楼，LayerNorm是不同楼层的同一部位取。

梯度消失/梯度爆炸（Vanishing / Exploding gradients）

训练神经网络，尤其是深度神经所面临的一个问题就是梯度消失或梯度爆炸，也就是你训练神经网络的时候，导数或坡度有时会变得非常大，或者非常小，甚至于以指数方式变大/小，这加大了训练的难度。

权重W大于1，L层的网络W要乘L-1次，所以深度神经网络的激活函数将爆炸式增长，同理，W<1，激活函数将呈指数递减。