深度学习总结(七)——调参经验

关键词：Relu，batchnorm，dropout，adam，Learning Rate设置合理

1. 观察loss胜于观察准确率，Loss设计要合理，对比训练集和验证集的loss；
2. Relu可以很好的防止梯度弥散问题，当然最后一层的**函数千万慎用relu，如果是分类的用softmax；
3. Batchnorm可以大大加快训练速度和模型性能；
4. Dropout防止过拟合，可直接设置为0.5，即一半一半，测试的时候把dropout关掉；
5. 选择Adam 优化函数，收敛速度非常快的一个优化函数；
6. Loss选择。一般来说分类就是Softmax, 回归就是L2的loss. 但是要注意loss的错误范围(主要是回归), 你预测一个label是10000的值, 模型输出0, 你算算这loss多大；
7. 准确率虽然是评测指标, 但是训练过程中还是要注意loss的. 你会发现有些情况下, 准确率是突变的, 原来一直是0, 可能保持上千迭代, 然后突然变1。而loss是不会有这么诡异的情况发生的, 毕竟优化目标是loss；
8. Learning Rate设置合理。太大: loss爆炸, 或者nan，太小: 半天loss没反映；
9. 对比训练集和验证集的loss。判断过拟合, 训练是否足够, 是否需要early stop的依据。