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)

  • 华为电脑投屏怎么使用(华为电脑投屏怎么不显示电脑桌面操作)

    华为电脑投屏怎么使用(华为电脑投屏怎么不显示电脑桌面操作)

  • OPPO手机如何取消点屏放大(oppo手机如何取出手机卡)

    OPPO手机如何取消点屏放大(oppo手机如何取出手机卡)

  • 微信上如何新建一个群(微信上如何新建的PDF 文档是什么样如何新建)

    微信上如何新建一个群(微信上如何新建的PDF 文档是什么样如何新建)

  • 华为nova5i跟荣耀20s对比(华为nova5i和荣耀20i对比)

    华为nova5i跟荣耀20s对比(华为nova5i和荣耀20i对比)

  • qq个性签名怎么设置权限(qq个性签名怎么删除)

    qq个性签名怎么设置权限(qq个性签名怎么删除)

  • win10 网速慢(win10网速慢怎么解决)

    win10 网速慢(win10网速慢怎么解决)

  • 亚太版本和国行的区别(亚太版和日版)

    亚太版本和国行的区别(亚太版和日版)

  • 滴滴快车怎么判定绕路(滴滴快车怎么判断司机)

    滴滴快车怎么判定绕路(滴滴快车怎么判断司机)

  • 输入抖音号为什么搜不到用户(输入抖音号为什么显示无结果)

    输入抖音号为什么搜不到用户(输入抖音号为什么显示无结果)

  • 微单与单反相机的差别(微单与单反相机哪个更好)

    微单与单反相机的差别(微单与单反相机哪个更好)

  • win7怎么看电脑是32位还是62位(win7怎么看电脑是多少位)

    win7怎么看电脑是32位还是62位(win7怎么看电脑是多少位)

  • 复制吱口令到支付宝没反应(复制囗令)

    复制吱口令到支付宝没反应(复制囗令)

  • 怎样打开悬浮窗(oppo手机怎样打开悬浮窗)

    怎样打开悬浮窗(oppo手机怎样打开悬浮窗)

  • web和internet的区别(internet与web技术的基本概念)

    web和internet的区别(internet与web技术的基本概念)

  • 华为荣耀9x有没有面部识别(华为荣耀9X有没有NFC功能)

    华为荣耀9x有没有面部识别(华为荣耀9X有没有NFC功能)

  • 抖音审核费用600可以退回吗(抖音审核费用600元)

    抖音审核费用600可以退回吗(抖音审核费用600元)

  • 怎样卸载电脑上的小树软件(怎样卸载电脑上的微信软件)

    怎样卸载电脑上的小树软件(怎样卸载电脑上的微信软件)

  • iphone11怎么关闭屏幕自动旋转(iphone11怎么关闭非原装电池通知)

    iphone11怎么关闭屏幕自动旋转(iphone11怎么关闭非原装电池通知)

  • tick是什么意思

    tick是什么意思

  • 降序是递减的意思么(降序是递减还是递增)

    降序是递减的意思么(降序是递减还是递增)

  • 苹果怎么隐藏单个软件(苹果怎么隐藏单个app图标)

    苹果怎么隐藏单个软件(苹果怎么隐藏单个app图标)

  • 如何调图片分辨率(如何调图片分辨率为1920*1080)

    如何调图片分辨率(如何调图片分辨率为1920*1080)

  • 怎么表达5g时代的具体含义(描述5g时代的一段话100字)

    怎么表达5g时代的具体含义(描述5g时代的一段话100字)

  • 手机出现itunes严重吗(iphone上出现itunes)

    手机出现itunes严重吗(iphone上出现itunes)

  • 微软警告:偷渡者不受支持,请勿在不受支持的 PC 上安装 Win11(偷渡系统可以正常接收到升级吗)

    微软警告:偷渡者不受支持,请勿在不受支持的 PC 上安装 Win11(偷渡系统可以正常接收到升级吗)

  • 反写不了是为什么
  • 税控盘如何统计开票金额
  • 发票税率金额如何得出
  • 建筑企业小规模纳税人升为一般纳税人条件
  • 发放遗属补助还要拍照片吗山东
  • 第一次开电子普票怎么开
  • 个人挂靠利润如何提取
  • 通过物流中心再送货配货属视同销售吗
  • 预缴增值税转入流程
  • 事业单位建账期初数银行存款余额填在哪个科目
  • 企业所得税税前扣除政策
  • 水利建设基金有优惠政策吗
  • 报价表含税点是什么意思?
  • 专用发票抵扣联放在凭证中吗
  • 写着个人的发票能下账吗
  • 一般纳税人转小规模怎么办理
  • 销售收入里面包括免税收入呢
  • 本年利润余额负数表示什么意思
  • 工会委员会开票信息
  • 企业报表里面利润怎么填
  • 多交的增值税可以跨年抵扣吗
  • 打开网页时显示无法获取属性
  • 房地产公司股权收购
  • 废旧物资销售收入
  • loaddriver.exe是什么病毒
  • 自查补缴增值税如何申报
  • php设计原则
  • php邮件发送类
  • css怎样设置行间距
  • 环境检测费计入什么科目
  • 基于stm32的毕业设计
  • 我用ChatGPT做直播技术选型,卷死了同事
  • 自动驾驶讲解
  • 企业所得税的调增调减怎么理解
  • 发票的普票和专票什么区别
  • 三联发票是哪三联颜色分别
  • phpcms使用教程
  • jvm调优思路
  • SQLite3 API 编程手册
  • 公司购买基金入什么科目
  • 外勤会计是做什么的
  • 股本金如何归还股东
  • 企业应纳税额中包括进项税额
  • 安装sql server 2008硬件要求
  • sql server更新数据
  • 比较详细的耐克知识大全
  • 销项税怎么做账
  • 什么叫代销合同
  • 接待客户的住宿费进项税能否抵扣
  • 库存商品冲回
  • 应交税费会计核算
  • 事业单位对公账户和零余额账户一样么
  • 进口固定资产的汇率怎么算
  • 请根据你的了解叙述c++的特点,c++对c有哪些发展
  • pg 正则表达式
  • mac怎么玩电脑游戏
  • mac快速操作在哪
  • linux wechat
  • w10开发者模式
  • linux修改服务器ip地址
  • 命令行批量重命名
  • windows7的使用方法
  • linux基础常用命令
  • qt_5 not found
  • linux awk命令使用实例
  • python编程模拟
  • opengl超级宝典pdf
  • c# opengl 3d
  • js调用wsdl接口
  • linux的open
  • 移动端一般用什么布局
  • nodejs中向HTTP响应传送进程的输出
  • 菜鸟100例python3
  • androidcontext传值
  • 用python简单代码
  • 使用SQLite本地数据库
  • 机构改革后地方金融局怎么办
  • 进口麦片销售公司
  • 开展培训举办培训
  • 税务发票定额
  • 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