1.训练集(training set)、验证集(开发集dev set)、测试集(test set)
训练集用来训练算法，验证集用来选择模型，测试集用来评估模型。
模型划分：
数据量小，一般70％、0%（无验证集）、30％或60%、20％、20％；
数据量大(eg:100万数据),可以98%、1％、1％。
如何解决训练集与验证集/测试集不匹配问题？
举一个识别猫的二分类问题，假若训练采用的是网络爬取的猫图片(分辨率高、制作精良),测试集用的是用户手机上传的猫图形(较模糊、干涉物多）。可以做误差分析(分析训练集和测试集存在的差异)，人为加工训练集，可以将测试集抽一部分混进训练集，确保同一分布。
结果为 训练集： 网络 + 手机 ； 验证集/测试集 : 手机
人为加增声不能重复加，否则容易过拟合。
2.高偏差(high bias)和高方差(high variance)区别?
数据不匹配问题
假设 a = 人类误差、训练误差的差距 ， b = 训练误差、测试误差的差距
欠拟合(a)等价于高偏差，过拟合(b)等价于高方差。
eg：
训练误差： 1％ 15％ 15％ 0.5％
验证误差： 11％ 16％ 30％ 1％
第一种情况：过拟合，训练得不错，但验证误差大。
第二种情况：欠拟合，训练就不行，验证和训练差不多。
第三种情况：过拟合+欠拟合，训练得不行，验证更差。
第四种情况：都挺好
数据不匹配：训练集误差、训练-开发集误差的差距
3.正则化L1、L2区别？
L1是参数绝对值之和，L2是平方之和
相同点：都用于避免过拟合
不同点：L1可以让一部分特征的系数缩小到0，从而间接实现特征选择。所以L1适用于特征之间有关联的情况。
L2让所有特征的系数都缩小，但是不会减为0，它会使优化求解稳定快速。所以L2适用于特征之间没有关联的情况
L1和L2的优点可以结合起来，这就是Elastic Net
对于稀疏性的解释：L1求导为一个常数，L2求导为一次参数W，0附近时，L1导数比L2大，经过多次梯度下降，L1参数W可以取0值，L2参数W只会趋近于0。
从数学求导的角度看：
从几何空间的角度看：
高维我们无法想象，简化到2维的情形，如上图所示。其中，左边是L1图示，右边是L2图示，左边的方形线上是L1中w1/w2取值区间，右边得圆形线上是L2中w1/w2的取值区间，绿色的圆圈表示w1/w2取不同值时整个正则化项的值的等高线（凸函数），从等高线和w1/w2取值区间的交点可以看到，L1中两个权值倾向于一个较大另一个为0，L2中两个权值倾向于均为非零的较小数。这也就是L1稀疏，L2平滑的效果。
4.其它正则化方法
1) data augmentation
2) early stopping
类似于L2正则化
优点：只进行一次梯度下降，就可以得到参数W的较小、中间、较大值，而无需尝试L2正则化中超参数λ的很多值。
缺点：没有解决求损失函数最优解和过拟合的平衡问题（这一点比L2差）
5.为什么要归一化输入特征？
Batch Normalization 流程 详细
Batch Normlization 为什么起作用 ？
Batch Norm 正则化效果
归一化输入需要两个步骤：
第一步是零均值化，即每个元素减去均值操作，公式如下：
结果如下图：
第二步是，归一化方差，上图中，特征x1的方差比特征x2的方差要大的多，处理如下：
最后，数据分布形式如下图：
此时，x1和x2的方差都等于1。
代价函数定义：
如果不用输入特征的范围差别很大，如x1在(0,1),x2在(0,100),代价函数将是一个非常狭长的形状，必须用小的学习率(大了可能直接偏离函数的范围)。
如图所示：
总结：归一化的目的是让输入特征都处在相似范围内，加快训练速度，也更容易优化。
Batch Normalization 又称批归一化
以神经网络中某一隐藏层的中间值为例：
到这里所有z的分量都是平均值为0和方差为1的分布，但是我们不希望隐藏层的单元总是如此，也许不同的分布会更有意义，所以我们再进行计算：
这里γ和β是可以更新学习的参数，如神经网络的权重w一样，两个参数的值来确定
Batch Normaliztion 起作用的原因
①类似于普通归一化的原理。对输入特征做归一化，改变损失函数的形状，使得每次迭代都可以更接近函数最小值点，从而加速训练。只是Batch Normaliztion是对激活值a之前的线性加权值z做归一化，从而调整到同一分布。
②可以使得权重比网络更滞后或更深层。前一层的z[l-1]值变化 ，但是其均值和方差不变，这使得输入后层的值更加稳定，削弱了前后层之间的联系，加快学习。
Batch Norm 正则化效果
这是因为在使用Mini-batch梯度下降的时候，每次计算均值和偏差都是在一个Mini-batch上进行计算，而不是在整个数据样集上，这样就在均值和偏差上带来一些比较小的噪声。那么用均值和偏差计算得到的
所以和Dropout相似，其在每个隐藏层的激活值上加入了一些噪声，（这里因为Dropout以一定的概率给神经元乘上0或者1）。所以和Dropout相似，Batch Norm 也有轻微的正则化效果。
这里引入一个小的细节就是，如果使用Batch Norm ，那么使用大的Mini-batch如256，相比使用小的Mini-batch如64，会引入跟少的噪声，那么就会减少正则化的效果。
6.参数初始化方法总结
①小随机数初始化
W = 0.001* np.random.randn(nn_input_dim,nn_hdim)
②Xavier初始化
目的是让输入层和输出层的方差一致,让网络中的信息更好地流通
一般情况下，
7.指数加权平均和偏差修正
之所以称为指数加权平均是因为权重系数β随着指数递减。
上图是一个温度变化的栗子，为0.9时,得到的是红线,为0.98,得到的是绿线,为0.5时,得到的是黄线.
物理意义：①平稳性：β越接近于1，说明对过去结果依赖越强；②时效性：随着β的衰减，对当前结果(
但是使用指数加权平均，前期取值对后面的结果有很大的影响(比如v0=0的情况) 引用
8.神经网络中加速训练的方法
普通的梯度下降之所以比较慢，是因为：参数更新时用到的梯度相当于当前的加速度，如果下次更新的方向和当前相反，由于没有当前速度的限制，不用等速度降为0就可以立马转变方向，这样产生很多小震荡(感觉最优目标不明确的样子，白走了很多冤枉路)。我们希望的是加快横轴的速度(直逼目标)，缓慢纵轴的速度(冤枉路)。
9.超参数调试处理、为超参数选择合适的范围
超参数调试处理(重要性从上往下)：
1.α
2.β(momentum)、mini_batch size
3.num_layer、learning_rate_decay
4.β1、β2、ε (Adam,一般设0.9、0.999、10^(-8)，可以不动)
在超参数选择的时候，一些超参数是在一个范围内进行均匀随机取值，如隐藏层神经元结点的个数、隐藏层的层数等。
在超参数范围中，随机取值可以提升你的搜索效率，但随机取值并不是在有效值范围内的随机均匀取值，而是选择合适的标尺。
假设你在搜索超参数 α 学习速率，假设你怀疑其值最小是 0.0001 ，或最大是 1，如果你画一条从 0.0001 到 1 的数轴，沿其随机均匀取值，那 90% 的数值将会落在 0.1 到 1 之间，结果就是 在 0.1 到 1 之间 应用了 90% 的资源，而在 0.0001 到 0.1 之间 只有 10%的搜索资源，这看上去不太对(不够精确)，反而 用对数标尺搜索超参数的方式会更合理，因此这里不使用线性轴，分别依次取 0.0001、0.001、0.01、1，在对数轴上均匀随机取点，这样 在 0.0001 到 0.001 之间 就会有更多的搜索资源可用，还有在 0.001 到 0.01 之间等等。在Python中 你可以这样做，使 r = -4 * np.random.rand()，然后 随机取值 α=10^r，所以 第一行可以得出r∈[-4,0]，那α会在10^(−4)和 10^(0) 之间。
另一个棘手的例子是给β取值，用于计算指数的加权平均值，假设你认为β是 0.9 到 0.999 之间的某个值，也许这就是你想搜索的范围，所以你要做的就是在 [-3,-1] 里随机均匀的给 r 取值，你设定了1−β=10^r 所以β=1−10^r，然后这就变成了你的超参数随机取值，在特定的选择范围内，希望用这种方式可以得到想要的结果，你在 0.9 到 0.99 区间探究的资源，和在 0.99 到 0.999 区间探究的一样多。
关于为什么我们要这样做 为什么用线性轴取值不是个好方法，这是因为当β接近 1 时，所得结果的灵敏度会变化 。即使β有微小的变化，如果β在 0.9 到 0.9005 之间取值，无关紧要 你的结果几乎不会变化，但β值如果在 0.999 到 0.9995 之间，这会对你的算法产生巨大影响 对吧？在这两种情况下 是根据大概 10 个值取平均，但这里它是指数的加权平均值，基于 1000 个值 现在是 2000 个值，因为这个公式1/(1−β），当β接近 1 时 β就会对细微的变化变得很敏感。
- 代码实现:
r = -4 * np.random.rand() # r in [-4,0]
learning_rate = 10 ** r # 10^{r}