本周是深度学习实验课的最后一次课，让我们回顾一下在这个学期中大家都学习到了哪些内容。在前面的课程中我们首先了解了神经网络的结构，如何去搭建神经网络，怎样去训练神经网络，以及神经网络的优化、微调。紧接着我们又学习了深度学习领域当前比较流行的几个大方向，例如分类、语义分割、目标检测、对抗神经网络、自然语言处理等等。接下来的内容是对我们所学的知识的一个总结和升华。

1.神经网络的基础内容

1.框架

当前训练神经网络的框架有许多，例如tensorflow, caffe, pytorch等等，由于pytorch上手简单，使用方便，所以本门课程选择的框架是pytorch.

2.神经网络的基础单元

在pytorch框架中，神经网络的最基本的单元是张量(tensor), 由于框架本身已经实现了反向传播的机制，所以我们在搭建网络的过程中只需将大部分精力放在正向传播上，不太需要关心反向传播（梯度消失，梯度爆炸问题除外）。

3.如何去搭建一个简单的神经网络

import torch
import torch.nn as nn
import torch.optim as optim

class Net(nn.Module):
    def __init__(self, *args):
        self.layer1 = nn.Conv2d(3,64,kernel_size=3, stride=1,padding=0, bias=True)
        self.avg_pool = nn.AvgPool2d(4)
        self.layer2 = nn.Linear(64,10)
        
    
    def forward(self, x):
        out = self.layer1(x)
        out = out.view(x.size(0), -1)
        out = self.layer2(out)
        return out

4.如何去训练一个神经网络

LR = 0.01
BATCH_SIZE = 32
EPOCH = 10

net = Net()

optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9, weight_decay=5e-4)
criterion = nn.CrossEntropyLoss()

for i in range(EPOCH):
    for data in enumerate(dataloader):
        x, y = data
        x, y = x.cuda(), y.cuda()
        # 模型预测结果
        y_hat = net(x)
        # 计算loss值
        loss = criterion(y, y_hat)
        # 清空优化器，必须在反向传播前进行
        optimizer.zero_grad()
        # 反向传播
        loss[0].backward()
        # 更新网络参数
        optimizer.step()
        
    '''
    这部分根据个人需求添加自己的代码，可以实现打印当前epoch的loss值，
    在训练集上的准确率，在验证集上的准确率，绘图等等操作
    '''

在以上训练过程中，值得大家注意的是：
建议大家同时打印出模型在训练集和测试集上的准确率，有些同学只关注在测试集上的准确率，忽略了在训练集上的准确率，导致可能出现一种情况，在测试集上的准确率不够理想，就怀疑是模型或者是其他什么地方出了问题。这个时候我们应该看看在训练集上的准确率如何，如果模型在训练集上表现的结果都不是很好，说明模型根本就没有训练好，又怎么能期望它能够在测试集上表现得好呢？这个时候我们首先应该想办法让模型在训练集的准确率达到99%以上（分类网络一般都可以达到近乎100%）。这是初学者很容易犯的一个低级错误，希望能够引起大家的重视。

5.模型训练的基本技巧

• 设置随机种子，确保可以复现结果
• k折交叉验证，验证模型的泛化能力
• 数据预处理中的均值和方差的设置（目前有两种较常用的做法，一种是使用pretrain_model数据集的均值和方差，一种是使用自己数据集的均值和方差，哪种效果更好，实践出真知）
• 数据增强，关于transforms里面众多函数的使用，也是根据数据集而定，建议大家多多尝试，
• 模型的初始化，如果使用的模型提供了pretrain_model建议大家充分利用，可以加速收敛，如果想重新训练就要考虑torch.nn.init里面的众多初始化方法
• 模型修改，根据自己的需求结合理论知识修改网络，这部分内容需要大家进行多次实验，找到适合自己数据集的较好的模型
• 优化器，一般来说分类网络我们常用sgd和adam两种优化器，没有绝对的定论哪种更好。sgd的缺点是收敛可能要慢一些，如果调整得当可以得到比较好的结果，adam收敛速度快一些，但是结果可能略逊于sgd
• batch_size，较大的batch_size才能充分发挥网络中bn层的作用，但是消耗的gpu资源也越多
• learning_rate,学习率是网络训练过程中至关重要的参数，面对不同的batch_size，不同的优化方式，不同的数据集其最合适的值都是不确定的，我们无法仅凭经验来准确地得出lr值，能做的就是多做实验（可以参考的做法：观察训练过程中loss值和accuracy值，如果两者都上升到一定高度后趋于平缓，这个时候可以考虑调低lr，经过多次实验后，大致可得出lr在何时可能需要衰减）
• lr与bs的关系，一般越大的bs使用越大的lr，因为越大的bs意味着我们学习的时候，收敛方向的confidence越大，我们前进的方向更加坚定，而较小的bs则显得比较杂乱，无规律性，因此bs较小的时候需要小的学习率保证不至于出错
• 模型保存，模型的保存分为两种，一种是保存整个模型，另一种是保存模型的参数，一般建议保存模型的参数，因为模型的参数更便于我们灵活地去加载（比如之前提到的只加载部分模型参数），另外，模型的参数实际上是以字典的形式保存下来的。

以上内容基本上在14周课件中都有实现

6.训练的高级技巧

• 过拟合，过拟合典型的表现为训练集损失远远小于验证集损失，而欠拟合则表现为训练集损失大于验证集损失，记住是远远大于，而不是说训练集损失稍微大于验证集损失就判断为过拟合。举个例子，如果遇到训练集损失为0.8，验证集损失为2.0，则可以判断为过拟合
• dropout，dropout可以减轻过拟合现象，但请不要无脑使用，dropout一般适合全连接层部分，而卷积层由于参数不是很多，所以不太需要dropout，加上的话对模型的泛化能力没有太大影响。
• 难例挖掘，在深度学习任务中，我们可能会遇到一些比较’棘手‘的数据，这些数据相比较于其他数据更难识别，他们称为hard-negative。我们先使用初始的正负样本训练分类器，然后再用训练出的分类器对样本进行分类，把其中负样本错误分类的那些样本（hard-negative）放入负样本集合，再继续训练分类器，如此反复，直到达到到停止条件（比如分类器性能不再提升）
• 尝试过拟合一个小数据集，关闭正则化、随机失活、数据扩充，使用训练集的一小部分，让神经网络训练几个周期。确保出现零损失，如果没有，那么很可能什么地方出错了（经典的小trick）

一个很具体的问题

第12次作业，数据预处理和decoder输出内容转换成文本的过程
网络输出是词向量，通过查询字典(embedding)可以转换成对应的index(整数），再查询预先定义的index和词的对应关系，可以找到原始对应的单词