神經(jīng)網(wǎng)絡(luò)的 debug 過程著實不容易，這里是一些有所幫助的 tips。基于神經(jīng)網(wǎng)絡(luò)的項目瓶頸通常并非對網(wǎng)絡(luò)的實現(xiàn)。有時候，在編寫了所有代碼并嘗試了一大堆超參數(shù)配置之后，網(wǎng)絡(luò)就是無法正常工作。尤其是面對著數(shù)百萬的參數(shù)， 任何一個小變動都有可能前功盡棄。

在面對各種各樣的問題后，有人總結(jié)了一些幫助調(diào)試神經(jīng)網(wǎng)絡(luò)的實用 tips，希望能夠減少大家調(diào)試神經(jīng)網(wǎng)絡(luò)的成本。

檢查梯度問題

有時梯度是引發(fā)問題的原因。下面是幾種與梯度相關(guān)的調(diào)試方法：

數(shù)值計算每個權(quán)重的梯度。這通常被稱為「梯度檢查」，有助于確保正確計算梯度，其中一種方法是使用有限差分。

比較每個權(quán)重的大小和梯度的大小。要確保大小的比率是合理的。如果梯度大小遠小于權(quán)重大小，網(wǎng)絡(luò)將花費很長時間進行訓(xùn)練。如果梯度大小與權(quán)重大小大致相同或更大，網(wǎng)絡(luò)將非常不穩(wěn)定，可能根本不會訓(xùn)練。

檢查梯度爆炸或消失。如果梯度變?yōu)?0 或 nan/infinity，則可以確定網(wǎng)絡(luò)沒有被正確訓(xùn)練。需要首先弄清楚為什么會發(fā)生爆炸 / 消失梯度，是否步數(shù)太大。一旦弄清楚梯度爆炸 / 消失的原因，就有各種解決方案來解決這個問題，例如添加殘差連接以更好地傳播梯度或簡單地使用較小的網(wǎng)絡(luò)。

激活函數(shù)也會導(dǎo)致梯度爆炸 / 消失。如果 sigmoid 激活函數(shù)的輸入太大，梯度將非常接近 0。隨著時間的推移檢查激活函數(shù)的輸入，然后確保這些輸入不會導(dǎo)致梯度始終為 0 或很大。

檢查訓(xùn)練過程

經(jīng)常檢查網(wǎng)絡(luò)的訓(xùn)練進度可以節(jié)省時間。以訓(xùn)練貪吃蛇游戲為例，不是訓(xùn)練網(wǎng)絡(luò)好幾天，然后再檢查網(wǎng)絡(luò)是否學(xué)到了什么，而是每十分鐘用當(dāng)前學(xué)到的權(quán)重運行游戲。幾個小時后，如果我們注意到每次都在做同樣的事情并且獲得零獎勵，就知道可能有問題了，而這節(jié)省了幾天的訓(xùn)練時間。

不要依賴定量輸出

如果只查看定量輸出，我們可能會錯過有用的調(diào)試信息。例如，在訓(xùn)練語音翻譯網(wǎng)絡(luò)時，比起只檢查評估函數(shù)是否在減少，更重要的是閱讀翻譯后的語音以確保它有意義；當(dāng)訓(xùn)練一個用于圖像識別的網(wǎng)絡(luò)時，一定要確保手動檢查網(wǎng)絡(luò)提供的標(biāo)簽。

不應(yīng)該依賴定量輸出的原因有兩個：首先，評估函數(shù)中可能存在錯誤。如果只查看錯誤評估函數(shù)輸出的數(shù)字，可能需要數(shù)周時間才能意識到出現(xiàn)問題。其次，在神經(jīng)網(wǎng)絡(luò)輸出中可能存在無法定量顯示的錯誤模式。我們可能會意識到某個特定單詞總是被錯誤翻譯，或者在左上象限的圖像識別網(wǎng)絡(luò)總是錯誤的。這些觀察結(jié)果反過來可以幫助找到數(shù)據(jù)處理部分的代碼 bug，否則這些 bug 將被忽視。

嘗試小數(shù)據(jù)集

確定代碼是否存在 bug 或數(shù)據(jù)是否難以訓(xùn)練的另一種方法是首先擬合較小的數(shù)據(jù)集，比如將數(shù)據(jù)集中 100000 個訓(xùn)練示例修剪成只有 100 個甚至 1 個訓(xùn)練示例。如果在一個訓(xùn)練示例的情況下，網(wǎng)絡(luò)仍然有很高的測試錯誤，不能夠非常好地擬合數(shù)據(jù)，那么幾乎可以肯定網(wǎng)絡(luò)代碼有問題。

嘗試更簡單的網(wǎng)絡(luò)

如果全尺寸網(wǎng)絡(luò)在訓(xùn)練時遇到問題，可以嘗試使用層數(shù)較少的較小網(wǎng)絡(luò)，這樣可以更快地訓(xùn)練。如果較小的網(wǎng)絡(luò)在全尺寸網(wǎng)絡(luò)失敗的情況下成功了，則表明全尺寸模型的網(wǎng)絡(luò)架構(gòu)過于復(fù)雜。如果簡單網(wǎng)絡(luò)和全尺寸網(wǎng)絡(luò)都失敗，則代碼中可能存在 bug。

試著使用框架

如果沒有使用機器學(xué)習(xí)框架編寫神經(jīng)網(wǎng)絡(luò)的代碼，那么可以通過在機器學(xué)習(xí)框架中編寫相同的網(wǎng)絡(luò)架構(gòu)來檢查問題何在。然后將打印語句放入非框架版本和框架版本中逐層比較輸出，直到找到打印語句出現(xiàn)差異的位置，即錯誤所在。如果在反向傳播期間發(fā)生錯誤，則可以從最后一層開始逐層打印權(quán)重的漸變，直到找到差異。但是此方法僅適用于網(wǎng)絡(luò)的第一次迭代，因為由于第一次迭代輸出的差異，第二次及以后的迭代將具有不同的起點。

責(zé)任編輯：lq6