大道至简:算法工程师炼丹Trick手册
共 2563字,需浏览 6分钟
· 2021-02-28
点击上方“AI算法与图像处理”,选择加"星标"或“置顶”
重磅干货,第一时间送达
导读
如何提高炼丹速度?本文总结了算法工程师须知的十个炼丹trick,附有相关代码,可直接上手。
Focal Loss
![](https://filescdn.proginn.com/90014249a709be39701e4355845d173d/529e96e5c834ee222a0de28a2c83f509.webp)
针对类别不平衡问题,用预测概率对不同类别的loss进行加权。Focal loss对CE loss增加了一个调制系数来降低容易样本的权重值,使得训练过程更加关注困难样本。
loss = -np.log(p)
loss = (1-p)^G * loss
Dropout
![](https://filescdn.proginn.com/617f0e3f278ee03a70165053ce6a0401/0e5d9e1ecd4b03541360f3fc899c45a1.webp)
随机丢弃,抑制过拟合,提高模型鲁棒性。
Normalization
Batch Normalization 于2015年由 Google 提出,开 Normalization 之先河。其规范化针对单个神经元进行,利用网络训练时一个 mini-batch 的数据来计算该神经元的均值和方差,因而称为 Batch Normalization。
x = (x - x.mean()) / x.std()
relu
![](https://filescdn.proginn.com/bb8d3976b3a28328a5db495a807297ea/8e569d8178e36c2423ed99f154fe0890.webp)
用极简的方式实现非线性激活,缓解梯度消失。
x = max(x, 0)
Cyclic LR
![](https://filescdn.proginn.com/f9f339d457ea38ec6b7420643260a9a2/ad4a4a756a508bc95620b5101be3b526.webp)
每隔一段时间重启学习率,这样在单位时间内能收敛到多个局部最小值,可以得到很多个模型做集成。
scheduler = lambda x: ((LR_INIT-LR_MIN)/2)*(np.cos(PI*(np.mod(x-1,CYCLE)/(CYCLE)))+1)+LR_MIN
With Flooding
![](https://filescdn.proginn.com/8d95f6bb1848d8f10329a502f4ffee2c/d4a50a79ee0730c978ec0ced55a79f6c.webp)
当training loss大于一个阈值时,进行正常的梯度下降;当training loss低于阈值时,会反过来进行梯度上升,让training loss保持在一个阈值附近,让模型持续进行“random walk”,并期望模型能被优化到一个平坦的损失区域,这样发现test loss进行了double decent。
flood = (loss - b).abs() + b
Group Normalization
![](https://filescdn.proginn.com/ee359ec98e0d0056db0288b740323883/485dec8f38543642dd096fabc8a530ce.webp)
Face book AI research(FAIR)吴育昕-恺明联合推出重磅新作Group Normalization(GN),提出使用Group Normalization 替代深度学习里程碑式的工作Batch normalization。一句话概括,Group Normbalization(GN)是一种新的深度学习归一化方式,可以替代BN。
def GroupNorm(x, gamma, beta, G, eps=1e-5):
# x: input features with shape [N,C,H,W]
# gamma, beta: scale and offset, with shape [1,C,1,1]
# G: number of groups for GN
N, C, H, W = x.shape
x = tf.reshape(x, [N, G, C // G, H, W])
mean, var = tf.nn.moments(x, [2, 3, 4], keep dims=True)
x = (x - mean) / tf.sqrt(var + eps)
x = tf.reshape(x, [N, C, H, W])
return x * gamma + beta
Label Smoothing
![](https://filescdn.proginn.com/cf15fee5500868f00a4cab36661a7003/68c4b817baa55f877a4f59ffb1054f53.webp)
![](https://filescdn.proginn.com/43e2efaee1dbeb222e0f78b74b33b417/1e0adebceab7fc8dfc9d82fe301c2135.webp)
abel smoothing将hard label转变成soft label,使网络优化更加平滑。标签平滑是用于深度神经网络(DNN)的有效正则化工具,该工具通过在均匀分布和hard标签之间应用加权平均值来生成soft标签。它通常用于减少训练DNN的过拟合问题并进一步提高分类性能。
targets = (1 - label_smooth) * targets + label_smooth / num_classes
![](https://filescdn.proginn.com/d36b8fa9a2756ae5e04d7dc0f5291136/54af40673d9511ae94eda5d812a303d7.webp)
Wasserstein GAN
![](https://filescdn.proginn.com/89e4f3ae796ab895d1c35f8209f0b4e9/1c6fa553ca89096c2d21da86cc471a18.webp)
彻底解决GAN训练不稳定的问题,不再需要小心平衡生成器和判别器的训练程度 基本解决了Collapse mode的问题,确保了生成样本的多样性 训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程,数值越小代表GAN训练得越好,代表生成器产生的图像质量越高 不需要精心设计的网络架构,最简单的多层全连接网络就可以做到以上3点。
Skip Connection
一种网络结构,提供恒等映射的能力,保证模型不会因网络变深而退化。
F(x) = F(x) + x
参考文献:
https://www.zhihu.com/question/427088601 https://arxiv.org/pdf/1701.07875.pdf https://zhuanlan.zhihu.com/p/25071913 https://www.zhihu.com/people/yuconan/posts
个人微信(如果没有备注不拉群!) 请注明:地区+学校/企业+研究方向+昵称
下载1:何恺明顶会分享
在「AI算法与图像处理」公众号后台回复:何恺明,即可下载。总共有6份PDF,涉及 ResNet、Mask RCNN等经典工作的总结分析
下载2:终身受益的编程指南:Google编程风格指南
在「AI算法与图像处理」公众号后台回复:c++,即可下载。历经十年考验,最权威的编程规范!
下载3 CVPR2020 在「AI算法与图像处理」公众号后台回复:CVPR2020,即可下载1467篇CVPR 2020论文
觉得不错就点亮在看吧