首先，為什么要調(diào)整模型？

像卷積神經(jīng)網(wǎng)絡(luò)( CNN )這樣的深度學習模型具有大量的參數(shù)；一般稱之為超參數(shù)，因為它們不是固定值，需要迭代優(yōu)化。通常可以通過網(wǎng)格搜索的方法來查找這些超參數(shù)的最佳值，但需要大量硬件和時間開銷。那么，一個真正的數(shù)據(jù)科學家是否滿足于只是猜測這些超參數(shù)呢？答案當然是否定的。

改進模型的最佳方法之一是，基于專業(yè)團隊的設(shè)計和體系結(jié)構(gòu)上來進行改進，但這些專業(yè)的知識往往需要對某一領(lǐng)域具有深入的了解，且通常需要有強大的硬件支持。一般這些專業(yè)的團隊都喜歡把他們的訓練好的模型（pre-trained model）開源出來，無償提供給別人使用。基于這些pre-trained model來做研究和應(yīng)用，可以省去大量的時間和資源。

深度學習技巧

這里分享幾種方法，如何基于預訓練好的模型來降低深度學習模型訓練時間，提升模型的準確性:

1、選擇最適用于做pre-trained模型的網(wǎng)絡(luò)結(jié)構(gòu)：了解遷移學習（transfer learning）的優(yōu)點，或者一些強大的CNN網(wǎng)絡(luò)結(jié)構(gòu)。主要考慮，有些領(lǐng)域之間看起來不明顯，但領(lǐng)域之間卻共享一些具有潛在特性（share potential latent features）。

2、使用較小的學習率：由于預先訓練的權(quán)重（weights）通常比隨機初始化的權(quán)重更好，因此調(diào)整需要更精細！如何選擇主要取決于training landscape和學習的進展情況，但需要仔細檢查每個epoch的training errors，分析如何能讓模型達到收斂。

3、使用Dropout：就像Ridge和LASSO正則化技術(shù)對于回歸模型一樣，對于所有模型都存在需要優(yōu)化的參數(shù)alpha或Dropout。這是一個超參數(shù)，取決于需要解決的具體問題，只能通過不停實驗的方法得到。先對超參數(shù)做比較大的調(diào)整（gridsearch時選擇一個比較大的變化范圍），比如NP. logspace()，然后像上面的一樣減小學習速率。循環(huán)上述過程直到找到最優(yōu)值。

4、限制權(quán)重大小：可以限制某些層的權(quán)重的最大范數(shù)(絕對值)，可以提升模型泛化的能力。

5、不要改變第一層網(wǎng)絡(luò)的權(quán)值：神經(jīng)網(wǎng)絡(luò)的第一個隱含層傾向于捕捉通用和可解釋（universal and interpretable）的特征，如形狀、曲線或交叉（shapes、curves and interactions），這些特征通常與跨域（domains）相關(guān)。應(yīng)該經(jīng)常把這些特征放到一邊，把重點放在進一步優(yōu)化meta latent level在水平上。這可能意味需要添加隱藏層！

6、修改輸出層：把模型參數(shù)替換成適用于要解決新領(lǐng)域的新的激活函數(shù)和輸出大小。但是，不要把自己局限于最明顯的解決方案中。比如，盡管MNIST只需要10個輸出類，但這些數(shù)字有共同的變化，允許有12 - 16個類可能會更好地解決這些問題，并提高模型性能！

Keras中的技巧

如何在Keras MNIST中修改Dropout和限制權(quán)重的大小：

Dropout最佳實踐

1、使用20–50 %的，比較小的Dropout，建議20 %的輸入（Inputs）。值取得太小，不起作用；值取得太大，不好收斂。

2、在輸入層和隱藏層上使用Dropout。這一方法已被證明可以提高深入學習的效果。

3、使用較大的（帶衰減率）學習速率（learning rate with decay），以及較大的動量（momentum）。

4、限制模型的權(quán)重！大的學習速率容易導致梯度爆炸。通過對網(wǎng)絡(luò)權(quán)值施加約束(如最大范數(shù)正則化（max-norm regularization），其大小為5 )可以改善結(jié)果。

5、使用更大的網(wǎng)絡(luò)。在較大的網(wǎng)絡(luò)上使用Dropout，可能會獲得更好的性能，從而使模型有更多的機會學習獨立表示（Independent representations）。

給一個例子，如何在Keras中修改MNIST模型最后一層，輸出14個類別：

如何在網(wǎng)絡(luò)的最初五層中固定網(wǎng)絡(luò)的權(quán)值（Freeze weights）：

此外，可以將該層的學習速率設(shè)置為零，或者使用參數(shù)的自適應(yīng)學習算法，如Adadelta或Adam。這有點復雜，在Caffe等其他平臺上可以更好地實現(xiàn)。

預訓練模型庫

Keras
Kaggle List https://www.kaggle.com/gaborfodor/keras-pretrained-models
Keras Application：https://keras.io/applications/
OpenCV Example：https://www.learnopencv.com/keras-tutorial-fine-tuning-using-pre-trained-models/

TensorFlow
VGG16：https://github.com/ry/tensorflow-vgg16
Inception V3：https://github.com/tensorflow/models/blob/master/inception

ResNet：https://github.com/ry/tensorflow-resnet

Torch
LoadCaie：https://github.com/szagoruyko/loadcaffe

Caffe
Model Zoo：https://github.com/BVLC/caffe/wiki/Model-Zoo

TensorBoard的Graph的可視化

了解模型的整體結(jié)構(gòu)通常很重要。下面給出一個例子，如何直接使用Python可視化訓練的模型：

http://nbviewer.jupyter.org/github/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/deepdream/deepdream.ipynb

責任編輯：xj

原文標題：基于Pre-trained模型加速模型學習的6點建議

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。