神经网络训练细节part1（上）

训练神经网络

神经网络的历史

• 1960年左右，弗兰克·罗森布拉特设计了感知机
• 1960年，威德罗和霍夫制造出了适应性神经元，他们将这些感知机整合成了一个多层次的感知机网络
• 1986年，神经网络再次有了一个突破性进展，论文中第一次用清晰的公式很好的阐述了反向传播概念，提出损失函数，讨论了反向传播、梯度下降等问题。
• 2006年，第一次建立了神经网络的模型，同时提出了深度学习
• 2010年，神经网络有了非常大的成果，尤其是在语音合成方面。

激活函数

我们之前提到了激活函数有很多种，下面将着重介绍一下这些函数。

sigmoid

sigmoid有3个问题

• 在图像的饱和区域，梯度消失
• sigmoid函数的输出不是关于原点中心对称的
• 相比其他激活函数，指数运算相对耗时

tanh

• 区间在[-1,1]
• 中心对称
• 梯度消失

relu

• 激活时，不会产生梯度弥散问题，即梯度不会为0
• 计算高效
• 收敛速度快
• 不是关于原点中心对称
• 当x小于0时，同样有梯度消失问题

Leaky relu

• 不会发生梯度消失问题
• 计算高效

ELU

• 继承了RELU的所有优点

数据处理

• 归一化
• 零中心化
• PCA

• 图像常用下面方法

  
  

权重初始化

• small random numbers(gaussian with zero mean and 1e-2 standard deviation)
  w = 0.01*np.random.randn(D,H)