学习率
主要是两个方面：学习率的初始化和学习率的更新
梯度更新的步长就是学习率
学习率初始化
1）ReLu的线性不饱和激活端着相对于Tanh的双饱和端（经验规则0.1），肯定要降量级。
2）b的学习率一般为w的两倍；
例如Caffe和Alex给的Model基础都是0.001(W)/0.002(b)。
至于为什么Bias的学习率是2倍，猜测是更快抑制Wx加权结果，加速学习。
3）总的来说是用一个一般的学习率开始，然后逐渐的减小它。
4）一个建议值是0.1，适用于很多NN的问题，一般倾向于小一点。
5）找出学习率最高且Loss值仍在下降的值来确定最佳初始学习率。
6）learning rate设置为0.01或者原来loss的1/5或者1/10。
学习率更新/学习率退火
1）随步数衰减
每进行几个周期就根据一些因素降低学习率。典型的值是每过5个周期就将学习率减少一半，或者每20个周期减少到之前的0.1。这些数值的设定是严重依赖具体问题和模型的选择的。在实践中经验做法是：使用固定的学习率训练的同时观察验证集错误率，每当验证集错误率停止下降，就乘以一个常数（比如0.5）来降低学习率。
2）指数衰减
数学公式是α=α0e−kt，其中α0,k是超参数，t是迭代次数（也可以使用周期作为单位）。
3）1/t衰减的数学公式是α=α0/(1+kt)，其中α0,k是超参数，t是迭代次数。
实践中，随步数衰减的随机失活（dropout）更受欢迎，因为它使用的超参数（衰减系数和以周期为时间单位的步数）比k更有解释性。
4）理论上大的参数、深的网络在训练时需要更少的迭代次数，但是并不是参数越大越好，参数越大使得权重更新缓慢，优化速度下降。
例如：当训练的精确度没有提升时，learn rate更新为原来的1/10，learn rate最多变化三次，且整个训练迭代过程最多不超过74epochs（370K iterations）。
5）learning rate设置为0.01或者原来loss的1/5或者1/10。将LR除以2或5后继续跑。
6）一个对于调度学习率的建议：如果在验证集上性能不再增加就让学习率除以2或者5，然后继续，学习率会一直变得很小，到最后就可以停止训练了。
7）很多人用的一个设计学习率的原则就是监测一个比率（每次更新梯度的norm除以当前weight的norm），如果这个比率在10-3附近，如果小于这个值，学习会很慢，如果大于这个值，那么学习很不稳定，由此会带来失败。
8）在SGD方法中，需要构建一个合适的学习率退火方案，来得到一个良好的收敛最小值。人们会认为，像Adam这样的自适应学习率方法，对不同的学习率更具有鲁棒性，因为这些方法能自我更新学习率。但是，即使对于这些方法，好的学习率和最佳的学习率也可能有很大的差别（Andrej KarpathyVerified account说最佳学习率是3e-4）
在调整学习率退火方案和动量参数后，该SGD方法的性能与Adam有得一拼，而且收敛速度更快。另一方面，我们可能认为Adam方法中学习率的自适应性可能模仿了学习速率退火，但是一个明确的退火方案仍然是有帮助的。
9）以前网上有看到过，说是最好按3倍来调整，也就是0.00001、0.00003、0.0001、0.0003、0.001、0.003、0.01、0.03、0.1、0.3……然后确定范围之后再微调。
学习率调节与loss/acc的关系
1）找出学习率最高且Loss值仍在下降的值来确定最佳当前学习率。
2）在一开始的时候，我们可以将其设大一点，这样就可以使weights快一点发生改变，从而让你看出cost曲线的走向（上升or下降），进一步地你就可以决定增大还是减小learning rate。
3）如何自动调节学习率
一个简单有效的做法就是，当validation accuracy满足 no-improvement-in-n规则时，本来我们是要early stopping的，但是我们可以不stop，而是让learning rate减半，之后让程序继续跑。
下一次validation accuracy又满足no-improvement-in-n规则时，我们同样再将learning rate减半（此时变为原始learni rate的四分之一）…继续这个过程，直到learning rate变为原来的1/1024再终止程序。（1/1024还是1/512还是其他可以根据实际确定）。【PS：也可以选择每一次将learning rate除以10，而不是除以2.】
4）经验法则，很多时候跑不到一个好结果，可能是没有充分下降，learning rate收缩得过快的话，可能还没到底就几乎不动了，收缩过慢的话，可能没有耐心等待学习率降到一个比较低的数就停止了。用最常用的指数下降法的话，很容易发生以上两种现象。
我现在一般使用固定学习率，如果观察到loss已经下降不动，只在一个区间内抖动的话，就停止学习，将学习率除以10继续重复这个过程。从0.01开始，一般搞到1e-6就差不多啦。
权重衰减weight decay
在机器学习或者模式识别中，会出现overfitting，而当网络逐渐overfitting时网络权值逐渐变大，因此，为了避免出现overfitting,会给误差函数添加一个惩罚项，常用的惩罚项是所有权重的平方乘以一个衰减常量之和。其用来惩罚大的权值。
regularization controlled by weight_decay.
weight decay（权值衰减）的使用既不是为了提高收敛精确度，也不是为了提高收敛速度，其最终目的是防止过拟合。
在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。
在设置上，Weight Decay是一个L2 penalty，是对参数取值平方和的惩罚。
权值衰减惩罚项使得权值收敛到较小的绝对值，而惩罚大的权值。因为大的权值会使得系统出现过拟合，降低其泛化性能。
权重衰减的数值设置
1）一般，Weight Decay=0.001。更多的，base_lr与weight_decay相差大概是两到三个数量级。
2）我通过对浅层宽模型设置2-3倍默认的Weight Decay往往效果是最好的。太大了实际会严重干扰第一个Learning Rate阶段的精度。太小了（也就是很多论文的默认设置）会距离收敛最优情形有差距。 CIFAR100 Top-1 84.36%是在Weight Decay=0.001上获得的。也就是说，在实践里我比其他人更喜欢加大Weight Decay。
3）实际工程实践中，大家还是更倾向于使用权重衰减，因为它包含的超参数少一些，计算简单一些，可解释性稍微高一点。
权重衰减的规范化参数L1和L2
权值衰减归一化系数λ的理解
为防止过度拟合，为训练准则增加权重衰减项，L2归一化为训练准则增加λ∑iθ2i项，L1增加λ∑i|θi|。
L2对比较大的值惩罚比较大，对应高斯先验，L1将没有太大用的参数变成0，即变稀疏，对应Laplace密度先验。
权重衰减、L2和高斯假设的理解
然而我们有大量的论文去考察参数的取值，有三点发现：1. 不是高斯分布。2. 取值可以量子化，即存在大量可压缩空间3. 因为Relu, BN的存在使得其有界。
那么根据Loss function的设置求导之后，我们得到一个公式：W( t+ 1) = W ( t ) − lr ∗ delta(W)− lr ∗ wd ∗ W ( t )也就是说，实际上我们可以把它化简为W(t)首先以（1- lr ∗ wd ）的比例等比例收缩，然后再根据学习率、梯度方向进行一次调整。
这个一收缩不要紧，我们现在做CNN已经不用Sigmoid+AveragePooling了，我们用的是Relu+MaxPooling，也就是说这一收缩，可能有的干脆就从激发变成了不激发。可有可无的激发也就消失掉了，有点像DropOut，当然如果这个Neuron真有用也可以回头再靠梯度把它学成激发状态。所以说有了这个东西会规避过拟合。现在很少有流行模型使用DropOut了吧？窃以为，道理就在这。最后，假设W只能取0和1两个值，那么L1-Penalty和L2-Penalty其实是等价的。实际上的W取值，是处于我说的这种极端情况和高斯分布之间的，所以按找传统统计里L2-Penalty的思路去思考Weight Decay是不对的。现在CNN里面有很多paper在滥用高斯假设，慎读。
base_lr与weight_decay
1）base_lr与weight_decay相差大概是两到三个数量级
例如：base_lr=0.01；weight_decay=0.0002
2）
最重要的是要关注学习率。一些研究人员（比如Alex Krizhevsky）使用的方法是，监视更新范数和权值范数之间的比率。比率取值大约为10¯³。如果取值过小，那么学习会变得非常慢；如果取值过大，那么学习将会非常不稳定甚至失败。
梯度更新的步长就是学习率
以前网上有看到过，说是最好按3倍来调整，也就是0.00001、0.00003、0.0001、0.0003、0.001、0.003、0.01、0.03、0.1、0.3……然后确定范围之后再微调。
如果α取值过大，可能会导致迭代不收敛，从而发散。所以，一开始α的取值也要比较小心才行。
随着迭代次数的增加，一般需要慢慢减小α，因为这样能得到一个更好的结果。至于怎么减小α，也是有很多种策略，可以每次迭代都更新α的值，如α = 0.96， 也可以 α=α, 也可以每迭代几次更新一次α的值，方法很多，什么方式更好呢？实验吧……这跟数据有很大关系。
关于正则化参数λ的取值，因为才疏学浅，了解得不多，所以不便多说。不过一般来说λ不会取太小，我的感觉是0.001和1之间吧，也可以每次迭代都更新λ的值。比如一开始取比较小的值，然后随着迭代次数的增加，慢慢增加λ。
总结下，学习速率α越大，收敛越快，正则化参数λ越大，收敛越慢。收敛速度太快，可能一下子就越过极值点，导致发散；太慢则可能需要迭代非常多次，导致时间成本非常高。所以，α和λ取到一个合适的值，还是非常重要的。
3）其实梯度下降算法，在使用的时候无非是要考虑到2个方面，一个是方向，一个是步长，方向决定你是否走在了优化的道路上还是优化道路的负方向，步长是决定你要走多久才能到最优的地方。对于第一个问题很好解决，就是求梯度，梯度的负方向就是了。难的是求步长，如果步子太小，则需要很长的时间才能走到目的地，如果步子过大可能在目的地的周围来走震荡。所以重点在于如何选择步长。
4）early-stop，其实也是很成熟的方法了，大概思路是在训练的过程中，使用验证集周期性的来测试当前计算出来的参数，在验证集上测试当前参数对验证集的效果，如果效果可以，就保存起来，当很长一段时间都是此效果的话那么就迭代停止，该组参数就认为是不错的参数。这个方法叫做交叉验证，但是我看到有的地方写的是交叉验证用于超参的选择，而这个地方我不是选取的超参，所以不知道到底用对了没有。
带随机数的超参数调整
深度神经网络涉及很多的超参数，如学习率大小、L2正则化系数、动量大小、批量大小、隐层神经元数目、层数、学习率衰减率等。
1）随机搜索
由于你事先并不知道哪些超参数对你的问题更重要，因此随机搜索通常是比网格搜索（grid search）更有效的调参策略。
2）对数空间搜索
对于隐层神经元数目和层数，可以直接从均匀分布采样进行搜索。而对于学习率、L2正则化系数、和动量，在对数空间搜索更加有效。例如：
import random
learning_rate = 10 ** random.uniform(-5, -1) # From 1e-5 to 1e-1
weight_decay = 10 ** random.uniform(-7, -1) # From 1e-7 to 1e-1
momentum = 1 - 10 ** random.uniform(-3, -1) # From 0.9 to 0.999
fineturn时的学习率设置
1） 使用多个而不是单一学习率
差分学习率（Differential Learning rates），改变前面网络层。
大部分已有网络（如Resnet、VGG和Inception等）都是在ImageNet数据集训练的，因此我们要根据所用数据集与ImageNet图像的相似性，来适当改变网络权重。在修改这些权重时，我们通常要对模型的最后几层进行修改，因为这些层被用于检测基本特征（如边缘和轮廓），不同数据集有着不同基本特征。
在实际中，一般将学习率的缩小倍数设置为10倍。例如：在网络中从前往后的不同层分别设置为0.001，0.01，0.1。
超大批量训练的trick
包含以下两种技术手段：
1）线性缩放（Krizhevsky 于 2014 年提出）：如果我们将 batch size 由 B 增加至 kB，我们亦需要将学习率由η增加至 kη（其中 k 为倍数）。
2）预热模式（Goyal 等人于 2017 年提出）：如果我们使用高学习率（η），则应以较小的η作为起点，而后在前几次 epochs 中逐步将其递增至较大η。