在深度學習中，為了有效地訓練深度神經網絡，有一些值得我們強烈推薦的做法。在本文中，我將介紹一些最常用的方法，從高質量訓練數據的重要性，到超參數的選擇，再到更快的做出 DNN 原型的通用技巧。這些方法的大多數由學術界和工業界的研究驗證過，并且在諸如 Yann LeCun 等人寫的《Efficient BackProp》和 Yoshua Bengio 的《Practical Recommendations for Deep Architectures》中也給出了數學和實驗證明。

你會注意到，我沒有在這篇文章中提到任何數學證明。在這里建議的所有要點，更多地應該被看作是 DNN 的***訓練方法中獲得的總結。為了更深入地了解，我強烈建議您***看一遍上面提到的研究論文和后面提到的參考文獻。

訓練數據

許多機器學習從業者習慣于在任何深度神經網絡(DNN)中使用原始(raw)訓練數據。為什么不這樣做呢，任何 DNN(大概)仍會給出好的結果，對吧?但是，說出「給出正確的數據類型，一個十分簡單的模型會比一個復雜的 DNN 更快地給出更好的結果」(雖然，這可能會有例外)并不是很守舊派的。因此，無論你是在做計算機視覺，還是在做自然語言處理或統計建模等，你都應該嘗試預處理您的原始數據。你可以采取以下幾個方法來獲得更好的訓練數據：

盡可能大的數據集(DNN 對數據的需求是相當大的：越多越好)

刪除所有具有損壞數據的訓練樣本(短文本、高失真圖像、虛假輸出標簽、具有大量空值的特征等)

數據增強——創建新樣本(如果是圖像，可以重新縮放、添加噪聲等)

選擇適當的激活函數

激活函數在任何神經網絡中都是重要組成部分之一。激活將大家非常期望的非線性效果引入到了模型中。多年來，sigmoid 激活函數一直是***的選擇。但是 sigmoid 函數本質上有兩個缺陷：

1.sigmoid 尾部的飽和(會進一步導致梯度消失問題)

2.sigmoid 不是以 0 為中心的。

一個更好的選擇是 tanh 函數——在數學上，tanh 只是一個重新縮放和移位的 sigmoid，tanh(x) = 2*sigmoid(x) - 1。雖然 tanh 仍然可能遭受梯度消失問題，但好消息是 tanh 是以零為中心的。因此，使用 tanh 為激活函數可以更快地收斂。我使用中也發現使用 tanh 作為激活函數通常比使用 sigmoid 函數好。

你可以根據具體任務進一步探索其它選擇，如已經表現出可以改善一些問題的 ReLU，SoftSign 等函數。

隱含單元和隱含層的數量

使用比***隱含單元數更多的數量通常是安全的。因為，任何正則化方法在一定程度上都可以處理多余的單元。而另一方面，使用比***隱含單元數更少的數量時，發生欠擬合的概率更高一些。

此外，當采用無監督學習預訓練的表示(pre-trained representations，在后面部分中描述)時，隱含單元數的***數量通常要更大一些。因為，在各種表示中(對于特定的監督任務)，預訓練表示可能會包含大量的無關信息。通過增加隱含單元的數量，模型將具有足夠支持從預訓練表示中過濾出最合適的信息的靈活性。

選擇***隱含層數是相對簡單的。正如 Yoshua Bengio 在 Quora 上提到的：「你只需要繼續添加層，直到測試錯誤不再改善為止」。

權重初始化

始終使用小隨機數(random numbers)初始化權重，以打破不同單元之間的對稱性。但是權重應該多小呢?推薦的上限是多少?使用什么概率分布來生成隨機數?此外，當使用 sigmoid 激活函數時，如果權重被初始化為非常大的數，則 sigmoid 函數將會飽和(尾部區域)，導致死亡神經元(dead neurons)。如果權重非常小，則梯度也會很小。因此，***在中間范圍選擇權重，并且使它們圍繞平均值均勻分布。

幸運的是，目前已經有很多關于初始權重的適當值的研究，這對于有效的收斂是非常重要的。為了初始化得到均勻分布的權重，uniform distribution 可能是***的選擇之一。此外，如論文(Glorot and Bengio, 2010)所示，具有更多傳入連接(fan_in)的單元應具有相對較小的權重。

由于所有這些深入的實驗，現在我們有一個測量公式，可以直接用于權重初始化;例如從~ Uniform(-r, r) 范圍獲得權重，對于 tanh 作為激活函數的時候，r=sqrt(6/(fan_in+fan_out));而對于 sigmoid 作為激活函數的時候，r=4*(sqrt(6/fan_in+fan_out))，其中 fan_in 是上一層的大小，fan_out 是下一層的大小。

訓練速率

這可能是最重要的超參數之一，決定了整個學習過程。如果設置的學習速率太小，你的模型可能需要幾年才能收斂;如果學習速率太大，在開始訓練幾個樣本之后，你的損失值(loss)可能會迅速增加。一般來說，0.01 的學習速率是安全的，但這不應被視為一個嚴格的規則;因為***學習速率應該根據具體任務來調整。

相比之下，在每個 epoch 之后選擇固定的學習率(learning rate)或者逐漸降低學習率(learning rate)是另一個選擇。雖然這可能有助于訓練得更快，但需要人工確定新的學習率。一般來說，學習率可以在每個 epoch 后減半——這幾類策略在幾年前相當普遍。

幸運的是，現在我們有更好的基于動量(momentum based methods)方法來改變學習率，就是基于誤差函數的曲率。這種方法也可以幫助我們為模型中的各個參數設置不同的學習率;使得一些參數可能以相對較慢或較快的速率學習。

近期大量針對優化方法的研究也產生了自適應學習率(adaptive learning rate)方法。現在，我們有很多可選擇的方法，從老牌的動量方法(Momentum Method)到 Adagrad、Adam(我最喜歡的方法)、RMSProp 等。像 Adagrad 或 Adam 這樣的方法有效地避免了手動選擇初始學習速率，并且模型能在一定的時間內順利地收斂(當然，如果選擇好的初始速率會進一步幫助模型收斂)。

超參數微調：旋轉的網格搜索——擁抱隨機搜索

網格搜索(Grid Search)是經典的機器學習方法。但是，在尋找 DNN 的***超參數時，網格搜索并不高效。主要是因為嘗試不同的 DNN 超參數組合所花費的時間太長。隨著超參數的數量不斷增加，網格搜索所需的計算也呈指數增長。

這里有兩種方法：

1. 根據經驗手動調整一些常用的超參數，如學習率、層數(number of layer)等。

2. 使用隨機搜索/隨機抽樣(Random Search/Random Sampling)來選擇***超參數。超參數的組合通常從可行域的均勻分布中選擇。還可以加入先驗知識以進一步減少搜索空間(例如學習速率不應該太大或太小)。經證明，隨機搜索比網格搜索更有效率。

學習方法

老牌的隨機梯度下降(Stochastic Gradient Descent)可能不像 DNN 一樣有效(這不是一個嚴格的規則)，因此最近很多人正研究開發更靈活的優化算法。例如：Adagrad、Adam、AdaDelta、RMSProp 等。這些復雜的方法除了提供自適應學習率之外，還對不同的模型參數應用不同的速率，使得收斂曲線更加平滑。將學習率、層數等作為超參數是很好的，建議在訓練數據的子集上進行嘗試。

使權重的維度以 2 的指數冪級增加

即使用***的硬件資源處理***的深度學習模型時，內存管理仍然是以字節衡量的;所以，盡量將參數的大小設置為 2 的冪指數，如 64、128、512、1024。這可能有助于分割矩陣、權重等，從而略微提高學習效率。這個現象在使用 GPU 時變得更加顯著。

無監督預訓練

無論你是否用 NLP、機器視覺(Computer Vision)、語音識別等技術，無監督預訓練總能幫助有監督模型和無監督模型的訓練。詞向量(Word Vector)在 NLP 中無處不在;對于有監督二分類問題，你可以使用 ImageNet 的數據集以無監督的方式預訓練模型;或者對于說話者消歧模型(speaker disambiguation model)，可以進一步利用語音樣本的信息訓練模型。

Mini-Batch vs. 隨機學習

訓練模型的主要目的是學習得到適當的參數，從而產生從輸入到輸出的***映射(mapping)。不管是否使用批處理(batch)、Mini-Batch 或隨機學習(stochastic learning)，這些參數都會因訓練樣本的不同而有所調整。在使用隨機學習方法時，在每個訓練樣本之后調整權重梯度，因此將噪聲引入梯度。這具有非常理想的效果;即在訓練期間引入噪聲，模型變得不太容易過度擬合。

然而，現在計算機的計算能力大大提高，使得隨機學習方法的效率可能相對較低。隨機學習可能浪費了很大一部分資源。如果我們能夠計算矩陣與矩陣的乘法(Matrix-Matrix multiplication)，那么為什么要局限于使用迭代相加的向量與向量的乘法?因此，為了實現更大的吞吐量(throughput)/更快的學習，建議使用 Mini-Batch 而不是隨機學習。

但是，選擇適當的批處理大小也具有相同的重要性;因此我們也可以保留一些噪音(通過減少批的數據量實現)，并有效利用計算機的計算能力。同樣的，一個批的樣本量控制在 16 到 128 之間也是一個不錯的選擇(2 的指數冪)。通常，一旦你找到更重要的超參數(或手動或隨機搜索)，批處理的大小是選定的。然而，有些情況下(如在線學習/online learning)，模型的訓練數據是數據流(stream)，這時求助于隨機學習是一個很好的選擇。

重排訓練樣本

信息論中有這樣的話——「學習發生的極小概率事件比學習發生的大概率事件更有信息」。類似地，隨機排列訓練樣本的順序(不同的迭代或批處理中)將導致更快的收斂。當訓練樣本的順序不同時，模型的結果會有輕微的提升。

作為正則化的 dropout

考慮到要學習數百萬的參數，正則化成為防止 DNN 過度擬合的必然要求。你也可以繼續使用 L1/L2 正則化，但是 dropout 是更好的檢查 DNN 過擬合的方法。dropout 在實現方法上比較瑣碎，它通常能更快地學習模型。默認值 0.5 是一個好的選擇，但是這也取決于具體的任務。如果模型較不復雜，則 0.2 的 dropout 也可能就足夠了。

在測試階段，應該相應地標準化權重，同時暫緩使用舍棄方法，如論文《Dropout: A Simple Way to Prevent Neural Networks from Overfitting》中所做的那樣。賦予模型舍棄正則化方法，經過一定的訓練時間錯誤肯定會下降。

訓練的迭代數

「用多個迭代(epoch)來訓練深度學習模型將產生更好的結果」——但是我們如何量化「多少」?原來，有一個簡單的策略 - 只要對訓練模型設置固定數量的訓練樣本或迭代，比如 20,000 個樣本或 1 個迭代。在每組訓練樣本訓練完成后，將測試誤差與訓練誤差進行比較，如果它們之間的差距正在減小，則繼續訓練。除此之外，在每個這樣的集合之后，保存這組數據訓練模型的參數(以便從多個模型中選擇)。

可視化

有一千種可能使得訓練的深度學習模型出錯。我們都有過這樣的經歷，當模型訓練了幾個小時或幾天后，在訓練完成后我們才意識到模型存在一些問題。為了避免這種問題——總是可視化訓練過程。最明顯的步驟是打印/保存損失(loss)函數值的日志、訓練誤差或測試誤差等。

除此之外，另一個好的做法是在訓練一定樣本后或在 epoch 之間使用可視化庫繪制權重的直方圖。這可能有助于跟蹤深度學習模型中的一些常見問題，例如梯度消失(Vanishing Gradient)、梯度爆炸(Exploding Gradient)等。

多核計算機，GPU 集群

隨著 GPU、提供向量化操作的庫(library)、具有更強計算能力的計算機的出現，這些可能是深度學習成功的最重要的因素。如果你足夠耐心，你可以嘗試在你的筆記本電腦上運行 DNN(這時你甚至不能打開 10 個 Chrome 瀏覽器標簽)，并需要等待很長時間才能得到結果。要么你有非常好的硬件(很昂貴)與至少多個 CPU 核和幾百個 GPU 核。GPU 已經徹底改變了深度學習研究(難怪 Nvidia 的股票井噴式漲價)，主要是因為 GPU 能夠更大規模地執行矩陣操作。

因此，以前在正常的機器上花幾個星期的訓練，由于并行(parallelization)技術，將訓練的時間減少到幾天甚至幾個小時。

使用具有 GPU 計算和自動微分支持的庫

幸運的是，對于快速訓練，我們有一些很好的庫，如 Theano、Tensorflow、Keras 等。幾乎所有這些深度學習庫提供對 GPU 計算和自動微分(Automatic Differentiation)的支持。所以，你不必深入了解 GPU 的核心編程(除非你想，絕對有趣);你也不必編寫自己的微分代碼，這在真正復雜的模型中可能會有點費力(雖然你應該能夠做到這一點)。TensorFlow 能進一步支持在分布式架構上訓練模型。

以上并不是訓練 DNN 的詳盡列表。它只包括了最常見的做法，上面已經去掉了如數據標準化、批規范化/層規范化、梯度檢查(Gradient Check)等概念。