《吴恩达深度学习》02改善深层神经网络：超参数调优、正则化以及优化（第3周超参数调优、Batch正则化和程序框架）

02. 改善深层神经网络：超参数调优、正则化以及优化

第三周 超参数调优、Batch正则化和程序框架

3.1 调试处理

1. 超参数
   （1）常见参数：$\alpha, \beta, \beta_1, \beta_2, \epsilon$α,β,β1​,β2​,ϵ，层数，每层单元数，学习率衰减，mini-batch规模
   （2）重要性排名：a. $\alpha$α， b. $\beta$β，每层单元数，mini-batch规模，c. 层数，学习率衰减
2. 尝试随机值
3. 由粗糙到精细策略
   

3.2 为超参数选择合适的范围

1. 随机选择超参数
2. 超参数适应的规模
   使用对数数轴
   代码：$r = -4*np.random.rand()$r=−4∗np.random.rand()
   $\alpha=10^{r}$α=10r
3. 指数加权平均的超参
   $\beta = 0.9, \cdots, 0.999$β=0.9,⋯,0.999，因此不能使用线性随机均匀取值。因此考虑$1-\beta = 0.1, \cdots, 0.001$1−β=0.1,⋯,0.001，然后采用对数随机均匀取值。

3.3 超参数训练的实践：Pandas VS Caviar

1. 两种流派
   （1）Babysitting one模型
   
   （2）并行训练多个模型

3.4 正则化网络的**函数

1. 归一化加速学习
2. Batch归一化的实现
   （1）给定神经网络的隐藏值$z^{(1)}, \cdots, z^{(m) }$z(1),⋯,z(m)
   （2）均值$\mu = \frac{1}{m}\sum_i z^{(i)}$μ=m1​∑i​z(i)
   （3）均方差$\delta^2 = \frac{1}{m}\sum_i (z^{(i)}-\mu)^2$δ2=m1​∑i​(z(i)−μ)2
   （4）归一化$z^{(i)}_{norm}=\frac{z^{(i)}-\mu}{\sqrt{\delta^2+\epsilon}}$znorm(i)​=δ2+ϵ​z(i)−μ​
   （5）归一化后的参数服从均值为0，方差为1。但实际上，所有参数服从不同的分布更具有现实的意义，因此进一步改进为$\widetilde{z}^{(i)}=\gamma z^{(i)}_{norm}+\beta$z(i)=γznorm(i)​+β，其中$\gamma, \beta$γ,β为待学习的参数，可用梯度下降法、动量法等进行学习。$\gamma$γ和$\beta$β的作用是设置均值和方差。

3.5 将Batch Norm拟合进神经网络

1. 将Batch归一化加入到神经网络中
   （1）神经网络示意图
   
   （2）计算路径
   
   （3）代码tf.nn.batch_normalization
2. mini-batches中的应用
   
   说明：因为后期需要用$\beta$β和$\gamma$γ对$z^{(i)}$z(i)进行重新缩放，所以不需再学习$b^{[l]}$b[l]
3. 梯度下降法的实现
   对于$t=1, \cdots, num$t=1,⋯,num mini-batches
   在每个mini-batch$X^{\{i\}}$X{i}中计算正向传播（用$\widetilde{z}^{[l]}$z[l]代替$z^{[l]}$z[l]）
   计算反向传播$dw^{[l]}, d\beta^{[l]}, d\gamma^{[l]}$dw[l],dβ[l],dγ[l]
   更新参数（梯度下降法、动量法等）

3.6 Batch Norm为什么奏效？

3.7 测试时的Batch Norm

3.8 Softmax回归

3.9 训练一个Softmax分类器

3.10 深度学习框架

3.11 TensorFlow