-
梯度检验 爆炸-》裁剪
-
权重初始化
-
指数加权平均(对于时间序列数据)减少噪音
-
偏差修正（避免前期数值太小）
-
momentum
对dW,db进行指数加权平均（也可以加上偏差修正，但一般不用）防止dW大幅度浮动
β一般取值>0.9（可以视为对1/(1-β)个数据进行加权平均）
-
RMSprop
对dW,db进行缩放 -
Adam
综合momentum与RMSprop
-
学习速率递减
多种多样的方法，一般以一个epoch为单位进行递减 -
高维度 几乎不可能被困在局部最优，但平稳点是一个问题
-
超参数选取
- random values,不要用grid间隔选取
-
粗糙到细致
- 指数级上取值
- babysitting 与 多模型平行运行
-
batch归一化
对前一层经过激活前的数据进行归一normalize，不需要再设置参数b
改变分布，减少covariate shift
添加噪音，轻微正则化
预测时，对样本进行缩放采用训练时的缩放参数（指数加权平均活动缩放参数） -
softmax层
loss function
机器学习工程
- 调整模型时 确保正交化，不会牵一发动全身
- 确定评价指标
- train dev test (dev test 独立同分布)
- 部署后效果不好，改变评价指标/改变dev test
- 贝叶斯误差
-
根据可避免误差，确定是改善方差还是偏差
方差训练集与测试集，偏差训练集与贝叶斯误差
-
误差分析
-
为了确定验证集与训练集的误差差如何改善，设置training-dev set与train set同分布但不训练
从而确定是方差问题、偏差问题、还是数据不匹配问题
- 数据不匹配 对训练集进行处理（图像、声音）人工合成数据，使其尽量与应用场景相接近
- 迁移学习
- 多任务学习（视觉下，各个任务数据互助，比单个任务效果更好）
- 端到端
CV
-
LeNet-5 AlexNet VGG-16
-
残差网络 ResNet
-
1x1 卷积
-
inception
-
计算成本 用1x1卷积作为瓶颈层，可大大减少计算量
-
迁移学习
-
数据增强
-
物体检测
- 特定 x,y,w,d
-
滑动窗口
第一个全连接
第二种方法卷积
本质一样 5x5x16x400
但第二种方法可以应用于不同大小的图。
计算一个方框内是某物体的可能性时，第二种方法计算量增加很少（但边框不精确）
-
YOLO
改变标签，图像分割成多个小格子（推荐19x19），标签数据也随时改变。
（个人设想延伸，一个大样本分割成19x19个小样本，训练小样本。预测时也把图片分割成小样本，依次预测 效果可能不如直接YOLO好）
- IoU交并比 >0.5
-
non-max suppression 对于不同的识别类别，独立进行非最大抑制
-
archor box 根据IoU确定在哪个anchor box中
-
整合之前的内容
- RPN
-
人脸识别
siamese network
triplet 损失——训练siamese网络的方法一
有点对抗网络的思想
二分类——训练siamese网络的方法二
-
神经风格迁移
选择已经训练好的模型
内容代价函数：参考两个图跑模型时其中间第l层（不要太浅也不要太深）的激活值，L2
风格损失函数：计算同层不同channel的相关度，比较两个图相关度的差值。有权累加不同层的值。
根据损失函数+BP 修改G图，不修改模型
- 3D 1D卷积
RNN
-
GRU
-
LSTM
-
BRNN
-
DEEP RNN
词语表示
-
词嵌入 word embedding
embedding matrix
距离用余弦
生成embedding matrix
-
根据周围多个，预测中间一个
-
skip-gram模型 选择nearby的一个，预测周围范围内某个词出现的概率
-
word2vec算法
-
负采样
-
GloVe词向量
-
词向量应用
-
偏见消除
-
定向搜索
-
bleu得分
-
注意力模型
-
语音识别
网友评论