零星积累

1. weight delay 和L2正则

权值衰减==带1/2乘子的L2正则。

权值衰减==带1/2乘子的L2正则

2. 缓解拟合

可通过如下方案：正则化（L1, L2)，但正则化方法不是提升泛化能力的本质要素。Dropout，Early Stopping.
CNN中不要用dropout。 两个原因：1）dropout is generally less effective at regularizing convolutional layers；卷积本身参数量就少，they need less regalarization to begin with. 此外，feature map编码的空间关系激活是高度相关的，dropout会破坏这种空间关系；2）类似VGG16这样包含全连接层的模型会在全连接层用dropout，但现在大部分架构都去掉了全连接层，改为用global average pooling. 博主做了实验发现加了dropout性能会降低，而加入BN性能会有提升。

3. 集成学习

• 组合具有低皮尔逊相关系数的弱学习器
• 多数投票的方式来组合弱学习器
• 平均：比如：0.5Unet + 0.5LinkNet34

LinkNet是Unet的升级版baseline，使用了Resdiual结构，非常适合使用resnet encoder。很轻便，有开源的预训练好的精度。感受野大概在700多。

知乎：随机加权平均 -- 在深度学习中获得最优结果的新方法

4. 超参数的选择

• 网络架构、核大小、层数、激活函数、损失函数、所用的优化器（梯度下降、RMSprop）、批大小、训练的 epoch 数量等等。
• 使用已经得到验证的架构，而不是构建自己的网络架构，然后根据自己的目的做一些调整。
• 怎么选取训练神经网络时的Batch size?

batch size 以128为分界线，向下（*0.5）和向上（*2）训练后比较测试结果，若向下更好，则再*0.5，直到结果不再提升。

5. 分割中loss的选择（考虑loss的饱和性，不要因饱和导致没有梯度反传）
   BCE loss在预测结果接近0和1的时候会出现loss反传的截断，因此需要加一些线性的损失。

6. 图像增广要考虑任务本身的情况，增广的图像填补整个数据空间的稀疏部分，不是创造新的数据。

• 卫星车道线图像分割用的增广：test time aug: ver-flip, hor-flip, diag-flip，对不同翻折下的图像进行预测，把结果平均，最终性能提升了3个点。

7. loss反传的时候用random.random()*loss。

CNN troubleshooting-量子位编译

优质博文/技巧

• 201801-Intel 2DUnet中Upsampling vs Transposed Convolution
  在BraTS数据集上做实验，结论是没显著差别，但是transposed conv训练需要更多时间（参数多）。
  此外，将Unet中通道数量减半变为(32→64→128→256→512)不影响效果。

• imgcat in Python

  
  imgcat in Python

• 10 Lessons Learned From Participating in Google AI Challenge
  比赛的难点：训练数据的label有noisy，测试集的label没有noise。（即训练集和测试集分布不一样）
  Nvidia driver 410.72 , CUDA 10.0, cuDNN 7.3.1 and NCCL 2.3.5 was only supported in Ubuntu 18.04. So I had to recompile Google’s tensorflow from source using CUDA 10. Here is a tutorial explaining how doing it.
  Optimize your software stack for the task. E.g. Recompile tensorflow from source, as the pre-built downloadable version is compiled for maximum CPU compatibility and not maximum performance.

Mixed-precision is one of the key elements which decided me to go with a rtx-2080-ti versus a cheaper gtx-1080-ti. The rtx-2080-ti is the first non-professional graphic card from NVIDIA supporting natively 16-bits floating point (fp16). how to implement mixed-precision using tf

如果测试集是balanced，如何优化自己的方案？1st solution; Good predictions postprocessing