位置: IT常识 - 正文

模型调参常见问题及Aadm优化器调参记录(模型参数是什么意思)

编辑:rootadmin
模型调参常见问题及Aadm优化器调参记录 超参数调试、Batch正则化和编程框架

推荐整理分享模型调参常见问题及Aadm优化器调参记录(模型参数是什么意思),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:模型调参是调节什么,模型调参是调节什么,模型参数调优,调整模型参数,模型参数调优,模型参数调优,模型调参方法,模型调参调的是什么,内容如对您有帮助,希望把文章链接给更多的朋友!

参考链接:链接:https://blog.csdn.net/red_stone1/article/details/78403416

1. Tuning Process 深度神经网络需要调试的超参数(Hyperparameters)较多,包括:

α:学习率

β:动量梯度下降因子

β1,β2,ε:Adam算法参数

#layers:神经网络层数

#hidden units:各隐藏层神经元个数

learning rate decay:学习因子下降参数

mini-batch size:批量训练样本包含的样本个数

超参数之间也有重要性差异。通常来说,学习因子α是最重要的超参数,也是需要重点调试的超参数。动量梯度下降因子β、各隐藏层神经元个数#hidden units和mini-batch size的重要性仅次于αα。然后就是神经网络层数#layers和学习因子下降参数learning rate decay。最后,Adam算法的三个参数β1,β2,εβ1,β2,ε一般常设置为0.9,0.999和10−8,不需要反复调试。当然,这里超参数重要性的排名并不是绝对的,具体情况,具体分析。

模型调参注意细节

神经网络的调参效果不理想时->(解决思路) - 账号 - 博客园

非过拟合情况

是否找到合适的损失函数?(不同问题适合不同的损失函数)(理解不同损失函数的适用场景) (解决思路)选择合适的损失函数(choosing proper loss ) 神经网络的损失函数是非凸的,有多个局部最低点,目标是找到一个可用的最低点。非凸函数是凹凸不平的,但是不同的损失函数凹凸起伏的程度不同,例如下述的平方损失和交叉熵损失,后者起伏更大,且后者更容易找到一个可用的最低点,从而达到优化的目的。 -. Square Error(平方损失) -. Cross Entropy(交叉熵损失)batch size是否合适?batch size太大 -> loss很快平稳,batch size太小 -> loss会震荡(理解mini-batch) (解决思路)采用合适的Mini-batch进行学习,使用Mini-batch的方法进行学习,一方面可以减少计算量,一方面有助于跳出局部最优点。因此要使用Mini-batch。更进一步,batch的选择非常重要,batch取太大会陷入局部最小值,batch取太小会抖动厉害是否选择了合适的激活函数?(各个激活函数的来源和差异) (解决思路)使用激活函数把卷积层输出结果做非线性映射,但是要选择合适的激活函数。 -. Sigmoid函数是一个平滑函数,且具有连续性和可微性,它的最大优点就是非线性。但该函数的两端很缓,会带来猪队友的问题,易发生学不动的情况,产生梯度弥散。 -. ReLU函数是如今设计神经网络时使用最广泛的激活函数,该函数为非线性映射,且简单,可缓解梯度弥散。学习率,学习率小收敛慢,学习率大loss震荡(怎么选取合适的学习率) (解决思路)学习率过大,会抖动厉害,导致没有优化提 , 学习率太小,下降太慢,训练会很慢是否选择了合适的优化算法?(比如Adam)(理解不同优化算法的适用场景) (解决思路)在梯度的基础上使用动量,有助于冲出局部最低点。过拟合情况Early Stopping(早停法) (详细解释)早停法将数据分成训练集和验证集,训练集用来计算梯度、更新权重和阈值,验证集用来估计误差,若训练集误差降低但验证集误差升高,则停止训练,同时返回具有最小验证集误差的连接权和阈值。Regularization(正则化) (详细解释) 权重衰减(Weight Decay)。到训练的后期,通过衰减因子使权重的梯度下降地越来越缓。 *. Batch Normalization *. Dropout *. L1 , L2调整网络结构增大训练数据量 *. 获取更多的数据 *. 数据扩充(图片: 镜像 , 翻转 , 随机裁剪等.)

优化器参数

torch.optim.Adam(model.parameters(), lr=lr ,eps=args.epsilon)

params (iterable) – iterable of parameters to optimize or dicts defining parameter groups

lr (float, optional) – learning rate (default: 1e-3)

betas (Tuple[float, float], optional) – coefficients used for computing running averages of gradient and its square (default: (0.9, 0.999))

eps (float, optional) – term added to the denominator to improve numerical stability (default: 1e-8)

weight_decay (float, optional) – weight decay (L2 penalty) (default: 0)

amsgrad (boolean, optional) – whether to use the AMSGrad variant of this algorithm from the paper On the Convergence of Adam and Beyond (default: False)

epsilon从0.1到1e-06,测试auc从0.6到0.9太可怕了,

模型调参常见问题及Aadm优化器调参记录(模型参数是什么意思)

 torch.optim.Adam(model.parameters(), lr=lr,weight_decay=0.0005) 

加入weight_decay又到0.68附近

去掉weight_decay到测试的到0.88,训练集还在升高还往上升肯定有问题

 自适应优化器Adam还需加learning-rate decay

自适应优化器Adam还需加learning-rate decay吗? - 知乎

作者说加了lr decay的Adam还是有效提升了模型的表现。

但这只是在它的实验里进行了说明,并没有从理论上进行证明。因此不能说有定论,但是若你的模型结果极不稳定的问题,loss会抖动特别厉害,不妨尝试一下加个lr decay试一试。

如何加

torch中有很多进行lr decay的方式,这里给一个ExponentialLR API 的demo代码,就是这样就好了。

ExponentialLR原理: decayed_lr = lr * decay_rate ^ (global_step / decay_steps)

my_optim = Adam(model.parameters, lr)decayRate = 0.96my_lr_scheduler = torch.optim.lr_scheduler.ExponentialLR(optimizer=my_optim, gamma=decayRate)#my_lr_scheduler = optim.lr_scheduler.StepLR(my_optim, step_size=lr_decay, gamma=decayRate)for e in epochs: train_epoch() my_optim.step() valid_epoch() my_lr_scheduler.step()学习率衰减策略 

pytorch必须掌握的的4种学习率衰减策略 - 知乎

优化器NoamOpt

我们选择Adam[1]作为优化器,其参数为 

和 . 根据以下公式,我们在训练过程中改变了学习率:

 

在预热中随步数线性地增加学习速率,并且此后与步数的反平方根成比例地减小它。我们设置预热步数为4000。

注意:这部分非常重要,需要这种设置训练模型。

class NoamOpt: "Optim wrapper that implements rate." def __init__(self, model_size, factor, warmup, optimizer): self.optimizer = optimizer self._step = 0 self.warmup = warmup self.factor = factor self.model_size = model_size self._rate = 0 def step(self): "Update parameters and rate" self._step += 1 rate = self.rate() for p in self.optimizer.param_groups: p['lr'] = rate self._rate = rate self.optimizer.step() def rate(self, step = None): "Implement `lrate` above" if step is None: step = self._step return self.factor * \ (self.model_size ** (-0.5) * min(step ** (-0.5), step * self.warmup ** (-1.5)))def get_std_opt(model): return NoamOpt(model.src_embed[0].d_model, 2, 4000, torch.optim.Adam(model.parameters(), lr=0, betas=(0.9, 0.98), eps=1e-9))

当前模型在不同模型大小和超参数的情况下的曲线示例。

# Three settings of the lrate hyperparameters.opts = [NoamOpt(512, 1, 4000, None), NoamOpt(512, 1, 8000, None), NoamOpt(256, 1, 4000, None)]plt.plot(np.arange(1, 20000), [[opt.rate(i) for opt in opts] for i in range(1, 20000)])plt.legend(["512:4000", "512:8000", "256:4000"])None

步数为4000是指,我使用时候设置为多大合适呢

loss为负

可能的原因:数据为归一化

网络中的:

self.softmax = nn.Softmax(dim=1) 改为:

self.softmax = nn.LogSoftmax(dim=1)

测试集AUC高于训练集AUC

 感觉这个回答似乎有些道理,我的数据集划分的时候可能没有随机打乱

本文链接地址:https://www.jiuchutong.com/zhishi/300461.html 转载请保留说明!

上一篇:【小程序】微信小程序自定义组件Component详细总结(小程序微信认证)

下一篇:【前端进阶】-TypeScript高级类型 | 交叉类型、索引签名类型、映射类型(前端技巧)

  • 重置电脑会怎样(重置电脑会怎样 windows10)

    重置电脑会怎样(重置电脑会怎样 windows10)

  • 如何复制筛选后的单元格(如何复制筛选后合并单元格的内容)

    如何复制筛选后的单元格(如何复制筛选后合并单元格的内容)

  • 怎样下载微信运动(怎样下载微信运动计步器)

    怎样下载微信运动(怎样下载微信运动计步器)

  • 小米风筝守护设备离线是怎么回事(小米风筝守护设备离线)

    小米风筝守护设备离线是怎么回事(小米风筝守护设备离线)

  • 苹果x的圆圈圈在哪里设置(苹果圆圈在哪里设置苹果x)

    苹果x的圆圈圈在哪里设置(苹果圆圈在哪里设置苹果x)

  • 苹果手机如何快速删除所有信息(苹果手机如何快捷截屏)

    苹果手机如何快速删除所有信息(苹果手机如何快捷截屏)

  • REV缩写是什么意思(rev这个缩写是什么意思)

    REV缩写是什么意思(rev这个缩写是什么意思)

  • 电脑省电模式唤醒不了(电脑省电模式唤醒不起来)

    电脑省电模式唤醒不了(电脑省电模式唤醒不起来)

  • 手机打电话对方听到滋滋的声音(手机打电话对方听不清有杂音)

    手机打电话对方听到滋滋的声音(手机打电话对方听不清有杂音)

  • word形式是什么意思(word的形式)

    word形式是什么意思(word的形式)

  • 在outlook邮件中通过规则可以实现(在outlook邮件中如何添加文档链接)

    在outlook邮件中通过规则可以实现(在outlook邮件中如何添加文档链接)

  • 知乎可以看到别人的浏览记录吗(知乎可以看到别人在线吗)

    知乎可以看到别人的浏览记录吗(知乎可以看到别人在线吗)

  • 怎么在抖音里做两个人同时出现的视频(怎么在抖音里做游戏主播)

    怎么在抖音里做两个人同时出现的视频(怎么在抖音里做游戏主播)

  • ps怎么选中字体(ps怎么选中字体修改)

    ps怎么选中字体(ps怎么选中字体修改)

  • 抖音壁纸怎么设置成锁屏(抖音壁纸怎么设置动态壁纸图片)

    抖音壁纸怎么设置成锁屏(抖音壁纸怎么设置动态壁纸图片)

  • 华为路由A2支持几频段(华为路由a2支持mesh吗)

    华为路由A2支持几频段(华为路由a2支持mesh吗)

  • mate20pro有无线充电吗(华为mate20pro开启无线充电)

    mate20pro有无线充电吗(华为mate20pro开启无线充电)

  • 手机wifi能开热点吗(手机无线网能不能开热点)

    手机wifi能开热点吗(手机无线网能不能开热点)

  • 怎样恢复抖音的私信(怎样恢复抖音的推荐视频)

    怎样恢复抖音的私信(怎样恢复抖音的推荐视频)

  • qq礼物怎么提现(qq礼物如何转现金)

    qq礼物怎么提现(qq礼物如何转现金)

  • 如何更改支付宝蚂蚁花呗还款日(如何更改支付宝支付方式)

    如何更改支付宝蚂蚁花呗还款日(如何更改支付宝支付方式)

  • 索尼xperia1如何开启开发者选项

    索尼xperia1如何开启开发者选项

  • 手机打不进电话能打出是怎么回事(手机打不进电话也打不出去怎么回事)

    手机打不进电话能打出是怎么回事(手机打不进电话也打不出去怎么回事)

  • 笔记本电脑开机白屏(笔记本电脑开机密码忘了怎么解除)

    笔记本电脑开机白屏(笔记本电脑开机密码忘了怎么解除)

  • 外经证预缴税款征收率
  • 待处理财产损益借贷方向
  • 租赁类发票可以不写单价数量
  • 高温费国家有规定,一定要支付吗?
  • 汇算清缴可以调成本吗
  • 三证合一后税务登记证要收回吗
  • 已申报未导入是申报成功了吗
  • 应交税费会计科目借贷方向
  • 电商刷单返现如何做账务处理合适?
  • 未实际处置资产怎么处理
  • 委托其他公司开票收款
  • 加油费充值卡发票可以报销吗
  • 运费开进发票
  • 工程技术服务费和技术服务费
  • 会务费抵扣限额
  • 报销单大写金额填写格式1000
  • 房地产预收房款怎么开票
  • 价外费用的会计和税务处理
  • 交易性金融资产和长期股权投资的区别
  • 进口原木的增值税率
  • 小微企业所得税减免政策2023
  • 存货计价方法的选择对利润表中的项目没有影响
  • 利润分配在利润表中如何列示
  • 个体工商户给员工交社保属于职工社保吗
  • 产品入库的业务流程
  • 应交税金月底可以有余额吗
  • 苹果电脑里的finder是什么
  • 实例简介php的一般过程
  • linux相关命令及用法
  • window10电源选项
  • 战地3 win10
  • 商业会计做账
  • 权重值的确定可以依据什么
  • 担保余值计算公式
  • 营改增后土地增值税如何计算
  • php计算多个集合的数据
  • 实战到底究竟是什么意思啊
  • 子公司借钱给母公司使用
  • 小规模纳税人季报需要报什么
  • webpack怎么优化
  • access数据库如何
  • 出口免抵增值税税率
  • 收据不能入账如何处理
  • 利息收入管理办法
  • 销售金银首饰增值税和企业所得税
  • 预期信用损失率的确认依据和过程
  • 安装调试费属于劳务还是服务
  • 管家婆怎样月末结账?
  • 初次购买税控盘480都能抵扣吗
  • 应交税费应交增值税借贷方向
  • 外出经营活动需要预缴税款吗2020年
  • 开业费用是什么意思
  • 固定资产清理费用账务处理
  • 进口货物的库存商品金额依据
  • u极速u盘装系统
  • ntfs分区的优点
  • win7自带拍照功能
  • win7电脑老是跳出弹窗广告怎么办
  • ubuntu搜索工具
  • ubuntu设置登录用户
  • 怎么在mac上查找iphone
  • Win7旗舰版系统镜像文件
  • win8 资源管理器
  • sendmail端口
  • linux将文本写入文件
  • linuxmain函数
  • 微信小程序实现烟花
  • 使用jquery
  • Knockout visible绑定使用方法
  • oracle shell脚本
  • javascript常用语法
  • Node.js中的construct构造函数
  • 将bat文件注册为应用程序
  • python中flask模块
  • using dispose
  • unity3d手机怎么打开
  • shell脚本 -ne 0
  • js 判断
  • 政府主管部门对企业检查要求
  • 税收与税收管理的关系
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设