(本文是根据 neuralnetworksanddeeplearning 这本书的第三章Improving the way neural networks learn整理而成的读书笔记，根据个人口味做了删减)
上一章，我们介绍了神经网络容易出现的过拟合问题，并学习了最常用的正则化方法，以及其他一些技巧，今天，我们将介绍本章节最后两个问题：权重初始化和超参数的选择
权重初始化
到目前为止，我们都是用归一化高斯分布来初始化权值，但是，我们很想知道是否有其他初始化方法可以让网络训练得更好。
事实上，确实存在比高斯分布更好的方法。不过，我们需要先了解高斯分布的初始化会存在哪些缺陷。
假设我们有如下的网络结构，其中包含 1000 个输入神经元：
现在，我们聚焦于隐藏层第一个神经元。假设输入中，有一半的神经元是 0，一半的神经元是 1。输入到隐藏层的权重和为 \(z=\sum_j{w_j x_j}+b\)。由于有一半的 \(x_j=0\)，所以 \(z\) 相当于是 501 个归一化的高斯分布随机变量的和。因此，\(z\) 本身也是一个高斯分布，其均值为 0，标准差为 \(\sqrt{501} \approx 22.4\)。这是一个很「宽」的分布：
也就是说，大部分情况下 \(z \gg 1\) 或者 \(z \ll 1\)。对于采用 sigmoid 函数的 \(\sigma(z)\) 来说，这就意味着隐藏层可能已经收敛了（所谓收敛，就是训练开始变缓或停止了，而导致收敛的原因在于，偏导中的 \(\sigma‘(z)\) 在 \(|z|>1\) 时趋于 0，这样梯度下降就没法更新参数了）。之前我们用交叉熵函数解决了输出层中学习率低的问题，但对于中间的隐藏层并没有作用。而且，前一层隐藏层的输出如果也成高斯分布，那么再往后的隐藏层也会收敛。
改善这种问题的措施也很简单，既然问题根源在于高斯分布太「宽」，那么我们就想办法让它变「窄」，也就是标准差要变小。假设一个神经元有 \(n_{in}\) 个输入权值，那么我们只需要将所有权值按照均值为 0，标准差为 \(1/\sqrt{n_{in}}\) 的高斯分布初始化即可。这样得到的新的高斯分布就会「瘦高」得多。对于之前的例子，在 500 个输入为 0，500 个为 1 的情况下，新高斯分布的均值为 0，标准差为 \(\sqrt{3/2}=1.22…\)，如下图所示：
这样一来，\(z\) 的值普遍在 \([0, 1]\) 内，隐藏层过早收敛的情况也就有所缓解了。
我们再通过一组实验来看看不同初始化方法的效果：
其中，橙线是用上面提及的新的高斯分布初始化，而蓝线则是一般的高斯分布。从结果来看，新的初始化方法可以加速网络的训练，但最终的准确率两者相当。不过在某些情况下，\(1/\sqrt{n_{in}}\) 的初始化方式会提高准确率，在下一章中，我们将看到类似的例子。
要注意的一点是，以上的初始化都是针对权值 weight 的，对偏差 bias 的初始化不影响网络的训练（原因暂时没想明白）。
如何选择超参数
到目前为止，我们都没有仔细讨论超参数该如何选择（如学习率 \(\eta\)，正则化参数 \(\lambda\) 等等）。超参数的选择对网络的训练和性能都会产生影响。由于神经网络的复杂性，一旦网络出现问题，我们将很难定位问题的根源，搞不清楚到底是网络结构有问题，还是数据集有问题，还是超参数本身没选好。因此，这一节我们将学习一些选择超参数的「灵感」或者「准则」，减少在超参数选择上的失误。
宽泛的策略
之所以称之为宽泛，是因为这种策略不告诉如何调整超参数，而是让你尽可能快地得到反馈。只有尽快把握网络的学习情况，我们才有耐心和信息继续 debug（总不能每调整一次要等个十来分钟才出结果吧）。我自己在 debug 网络的时候也经常采用这些做法，比如，只用很小的数据集训练，或者将网络的结构变小等等。这些做法只有一个目的：让网络尽可能快地反馈结果，不管结果好坏，这是我们能继续调试下去的前提。在反复调试后，我们往往能得到一些「灵感」，之后再慢慢将问题变的更复杂一些，然后继续调试。
好了，下面我们针对学习率 \(\eta\)、L2 正则化参数 \(\lambda\) 和批训练的数据集大小学习一些比较有效的准则。
学习率
关于学习率的选择，Andrew Ng 在他的 Machine Learning 课程中有过详细的讲解。这里面最重要的是要避免学习率过大给梯度下降带来「抖动」的问题，如下图中的橙线所示。在设置学习率时，我们可以先设置一个小一点的数值，如 0.1，如果这个数值太大，则调低一个数量级到 0.01，甚至 0.001...如果发现学习过程中代价函数没有出现「抖动」的情况，再适当提高学习率，如由原来的 0.1 提高到 0.2、0.5...但最终不能超过造成「抖动」的阈值。
early stopping 选择训练轮数
在神经网络中，并不是训练得越多越好，之前已经提到过，训练太多轮可能导致过拟合。因此，我们要采取尽可能合适的训练轮数。early stopping 的具体做法是：在每一轮训练后观察验证集上的准确率，当验证集准确率不再上升时，就停止训练。这里的准确率不再上升指的是，在连续几轮（比如 10 轮）的训练后，准确率都不再有新的突破，始终维持在一个稳定的数值。
调整学习率
前面说过，学习率过大可能导致梯度下降出现「抖动」，过小又会导致网络训练太慢。在实际过程中，我们常常会遇到这样的问题：当网络开始训练时，由于 weights 不够好，这个时候加大学习率可以快速改善网络；当网络训练一段时间后，梯度下降开始到达最低点，这个时候小一点的学习率可以防治其越过最低点而出现「抖动」。因此，在训练过程中，更好的方法不是固定一个学习率，而是根据验证集上的准确率情况，逐步调整学习率（比如一开始设为 0.1，当准确率上升到 80% 后，调低到 0.01，上升到 90% 后，再继续调低，直到学习率只有初始值的千分之一为止）。
正则化参数
刚开始训练时，最好将正则化参数 \(\lambda\) 设为 0.0，等学习率确定并且网络可以正常训练后，再设置 \(\lambda\)。具体该设置为什么，没有通用的准则，只能根据实际情况判断，可以是 1.0，或者 0.1，或者 10.0。总之，要根据验证集上的准确率来判断。
批训练的数据集大小
理论上，我们完全可以在每次训练时只用一个样本，但这样会导致训练过程相当漫长，而多个样本进行批训练，在当今计算机的快速矩阵运算下并不比单个样本慢，这样相当于同时训练多个样本的时间和单个样本一样（当然，将所有样本都用于训练还是会影响速度，所以才会采用随机梯度训练的批样本）。另外，个人认为，综合多个样本再取均值进行训练，可以抵消部分噪音样本的影响。
参考
原文地址：https://www.cnblogs.com/jermmyhsu/p/8227957.html