点上方人工智能算法与Python大数据获取更多干货
在右上方 ··· 设为星标 ★，第一时间获取资源
仅做学术分享，如有侵权，联系删除
转载于 ：作者丨DOTA、永无止境、冯迁
来源丨知乎问答
编辑丨极市平台
问答来源：https://www.zhihu.com/question/30712664
# 回答一
作者：DOTA
京东算法工程师
来源链接：https://zhuanlan.zhihu.com/p/352971645
还是蛮多的，之前总结过一次，在这里搬运一下，DOTA：大道至简：算法工程师炼丹Trick手册
https://zhuanlan.zhihu.com/p/352971645
Focal Loss
针对类别不平衡问题，用预测概率对不同类别的loss进行加权。Focal loss对CE loss增加了一个调制系数来降低容易样本的权重值，使得训练过程更加关注困难样本。
loss = -np.log(p)
loss = (1-p)^G * loss
Dropout
随机丢弃，抑制过拟合，提高模型鲁棒性。
Normalization
Batch Normalization 于2015年由 Google 提出，开 Normalization 之先河。其规范化针对单个神经元进行，利用网络训练时一个 mini-batch 的数据来计算该神经元的均值和方差,因而称为 Batch Normalization。
x = (x - x.mean()) / x.std()
relu
用极简的方式实现非线性激活，缓解梯度消失。
x = max(x, 0)
Cyclic LR
每隔一段时间重启学习率，这样在单位时间内能收敛到多个局部最小值，可以得到很多个模型做集成。
scheduler = lambda x: ((LR_INIT-LR_MIN)/2)*(np.cos(PI*(np.mod(x-1,CYCLE)/(CYCLE)))+1)+LR_MIN
With Flooding
当training loss大于一个阈值时，进行正常的梯度下降；当training loss低于阈值时，会反过来进行梯度上升，让training loss保持在一个阈值附近，让模型持续进行"random walk"，并期望模型能被优化到一个平坦的损失区域，这样发现test loss进行了double decent。
flood = (loss - b).abs() + b
Group Normalization
def GroupNorm(x, gamma, beta, G, eps=1e-5):
# x: input features with shape [N,C,H,W]
# gamma, beta: scale and offset, with shape [1,C,1,1]
# G: number of groups for GN
N, C, H, W = x.shape
x = tf.reshape(x, [N, G, C // G, H, W])
mean, var = tf.nn.moments(x, [2, 3, 4], keep dims=True)
x = (x - mean) / tf.sqrt(var + eps)
x = tf.reshape(x, [N, C, H, W])
return x * gamma + beta
Label Smoothing
abel smoothing将hard label转变成soft label，使网络优化更加平滑。标签平滑是用于深度神经网络（DNN）的有效正则化工具，该工具通过在均匀分布和hard标签之间应用加权平均值来生成soft标签。它通常用于减少训练DNN的过拟合问题并进一步提高分类性能。
targets = (1 - label_smooth) * targets + label_smooth / num_classes
Wasserstein GAN
彻底解决GAN训练不稳定的问题，不再需要小心平衡生成器和判别器的训练程度
基本解决了Collapse mode的问题，确保了生成样本的多样性训练过程中终于有一个像交叉熵、准确率这样的数值来指示
训练的进程，数值越小代表GAN训练得越好，代表生成器产生的图像质量越高
不需要精心设计的网络架构，最简单的多层全连接网络就可以做到以上3点。
Skip Connection
一种网络结构，提供恒等映射的能力，保证模型不会因网络变深而退化。
F(x) = F(x) + x
参考文献
https://www.zhihu.com/question/427088601
https://arxiv.org/pdf/1701.07875.pdf
https://zhuanlan.zhihu.com/p/25071913
https://www.zhihu.com/people/yuconan/posts
# 回答二
作者：永无止境
来源链接：
https://www.zhihu.com/question/30712664/answer/1341368789在噪声较强的时候，可以考虑采用软阈值化作为激活函数：
软阈值化几乎是降噪的必备步骤，但是阈值τ该怎么设置呢？
阈值τ不能太大，否则所有的输出都是零，就没有意义了。而且，阈值不能为负。
针对这个问题，深度残差收缩网络[1][2]提供了一个思路，设计了一个特殊的子网络来自动设置：
Zhao M, Zhong S, Fu X, Tang B, Pecht M. Deep residual shrinkage networks for fault diagnosis. IEEE Transactions on Industrial Informatics. 2019 Sep 26;16(7):4681-90.
参考：
^深度残差收缩网络：从删除冗余特征的灵活度进行探讨 https://zhuanlan.zhihu.com/p/118493090
^深度残差收缩网络：一种面向强噪声数据的深度学习方法 https://zhuanlan.zhihu.com/p/115241985
# 回答三
作者：冯迁
来源链接：https://www.zhihu.com/question/30712664/answer/1816283937
赞比较多的给了些，损失函数(focal)，模型结构（identity skip)，训练方面（strategy on learning rate),稳定性方面（normalization）,复杂泛化性（drop out），宜优化性（relu,smooth label)等，这些都可以扩展。
focal 可以扩展到centernet loss，结构有尺度fpn，重复模块，堆叠concatenate，splite，cross fusion等，训练方面有teaching，step learning，对抗（本身是个思想），多阶段优化，progress learning，稳定性方面，batch normal，instance normal，group normal之外，还有谱范数等，复杂性还有正则l1/2等，宜优化性，可以扩展到检测的anchor等。
dl你得说优化器吧，把动量，一二阶考虑进来，梯度方向和一阶动量的折中方向，把随机考虑进来sgd
以上可能带来最多10的收益，你得搞数据啊
数据方面的处理clean，various ，distribution,aug data等更重要(逃…
“理论”在收敛速度，稳定，泛化，通用，合理等方面着手，性能在数据方面着手，也许
---------♥---------
声明：本内容来源网络，版权属于原作者
图片来源网络，不代表本公众号立场。如有侵权，联系删除
AI博士私人微信，还有少量空位
点个在看支持一下吧
