前言
笔者最近阅读了《深度学习入门——基于Python的理论与实现》这本书的第六章，这一章主要讲述了深度学习相关的技巧，包括权重参数最优化方法、寻找权重参数的初始值等等。下面，笔者将对书上的内容进行简要梳理。
一、参数的更新
最优化（optimization）：寻找最优参数的过程被称作“最优化”，目的是找到使得损失函数的值尽可能小的参数。
关于参数的更新，主要有以下几种方法：SGD随机梯度下降、Momentum、AdaGrad、Adam。具体可见这篇博文：博文传送门
二、权重的初始值
在神经网络的学习中，权重的初始值非常重要。那么，权重的初始值该怎么选择比较好？直接上总结。
当激活函数使用ReLU的时候，权重初始值使用He初始值。
当激活函数使用sigmoid或者tanh等S型曲线函数的时候，权重初始值使用Xavier初始值。
补充两个概念，梯度消失和梯度爆炸。
梯度消失：在梯度下降中， 随着算法反向的反馈， 梯度会越来越小，最终没有变化，此时并没有收敛到比好的解，这就是梯度消失的问题。
梯度爆炸：梯度爆炸原理跟梯度消失一样，反向传播时，导数大于1，导致梯度增加。
三、Batch Normalization
在实际运用中，如果各层的激活值分布有适当的广度，那么就更有可能进行顺利地学习。为了使得各层拥有适当的广度，“强制性”地调整激活值的分布，这就是Batch Normalization产生的基础。
Batch Normalization的思路是调整各层的激活值分布使其拥有适当的广度。为此，要向神经网络中插入对数据分布进行正规化的层，即下图中的Batch Norm层。
Batch Normalization的具体含义和计算方法在下图中也有介绍。使用Batch Norm层之后，学习的速度明显变快了。
四、正则化
过拟合：指的是模型只能拟合训练数据，但不能很好地拟合其他数据。也就是说，模型的泛化能力太差。
发生过拟合的原因，主要可以归结于以下两点：
①模型拥有大量参数，表现力强
②训练数据少
抑制过拟合的方法主要有以下两种：
①权值衰减
该方法通过在学习的过程中对大的权重进行惩罚，来抑制过拟合。比如：为损失函数加上权重的平方范数（L2范数）。
②dropout
dropout是一种在学习的过程中随机删除神经元的方法。训练的时候，随机选出隐藏层的神经元，然后将其删除。
五、超参数的验证
超参数指的是各层的神经元数量、batch大小、学习率等等。如果这些超参数没有设置合适的值，模型的性能就会很差。虽然超参数的取值非常重要，但是在决定超参数的过程中，一般会伴随很多的试错。
注意，调整超参数的时候，不能用测试数据进行调整。如果用测试数据，就会导致超参数的值对测试数据发生过拟合，从而导致模型的泛化能力较差。因此，调整超参数的时候，必须使用超参数专用的确认数据。用于调整超参数的数据，一般被称为验证数据（validation data）。
超参数的最优化遵循以下4个步骤：
①设定超参数的范围。（设定一个大致的范围就好，像0.001到1000这样）
②从设定的超参数范围中随机采样。
③使用步骤②中采样到的超参数的值进行学习，通过验证数据评估识别精度（但是要将epoch设置得很小）。
④重复步骤②、步骤③（100次等），根据它们的识别精度的结果，缩小超参数的范围。