机器学习百相|第 9 章:前向神经网络知识点 (1)
最编程
2024-06-11 09:34:08
...
同时,深度神经网络的训练中涉及诸多手调参数,如学习率、权重衰减系数、Dropout比例等,这些参数的选择会显著影响模型最终的训练效果。批量归一化(Batch Normalization,BN)方法有效规避了这些复杂参数对网络训练产生的影响,在加速训练收敛的同时也提升了网络的泛化能力。
不能。
考虑全连接的深度神经网络,同一层的神经元都是同构的,拥有相同的输入和输出,如果再将参数全部初始化为相同的值,那么无论前向传播还是反向传播的取值都是相同的。学习过程将永远无法打破这种对称性,最终同一个网络层中的各个参数仍然是相同的。
因此需要随机地初始化神经网络参数的值,以打破对称性,简单来说,我们可以初始化参数为的均匀分布,其中为神经元接受的输入维度,偏置可以被简单地设为0,并不会导致参数对称的问题。
对于包含个神经元节点的网络,在Dropout的作用下可以看作个模型的集成。这个模型可认为是原始网络的子网络,它们共享部分权重,并且具有相同的网络层数,而模型整体的参数数目不变,大大简化了运算。对于任意神经元,每次训练中都与一组随机挑选的不同的神经元集合共同进行优化,这个过程为减弱全体神经元之间的联合适应性,减少过拟合的风险,增强泛化能力。
批量归一化方法是针对每一批数据,在网络每一层输入之间增加归一化处理(均值为0,标准差为1),将所有批数据强制性在同一的数据分布下。可以看作在每一层输入和上一层输出之间加入了一个新的计算层,对数据的分布进行了额外的约束,从而增强模型的泛化能力。
但是批量归一化同时也降低了模型的拟合能力,归一化之后的输入分被强制为0均值和1标准差,以Sigmoid激活函数为例,批量归一化之后数据整体处于函数的非饱和区域,只包含线性变换,破坏了之前学习到的特征分布,为了恢复原始数据分布,具体实现中加入了变换重构以及可学习参数和:其中和分别为输入数据分布的方差和偏差。
对于一般的网络,不采用批量归一化操作时,这两个参数高度依赖前面网络学习到的连接权重(对应复杂的非线性)。而在批量归一化操作中,和变成了该层的学习参数,仅用两个参数就可以恢复最优的输入数据分布,与之前网络层的参数解耦,从而更加有利于优化的过程,提高模型的泛化能力。