作者 | Andrej Karpathy

編譯 | AI有道

特斯拉人工智能部門主管 Andrej Karpathy 發(fā)布新博客，介紹神經網絡訓練的技巧。

Andrej Karpathy 是深度學習計算機視覺領域、與領域的研究員。博士期間師從李飛飛。在讀博期間，兩次在谷歌實習，研究在 Youtube 視頻上的大規(guī)模特征學習，2015 年在 DeepMind 實習，研究深度強化學習。畢業(yè)后，Karpathy 成為 OpenAI 的研究科學家，后于 2017 年 6 月加入特斯拉擔任人工智能與視覺總監(jiān)。

今日他發(fā)布的這篇博客能為深度學習研究者們提供極為明晰的洞見，在 Twitter 上也引發(fā)了極大的關注。

1. 誰說神經網絡訓練簡單了？

很多人認為開始訓練神經網絡是很容易的，大量庫和框架號稱可以用 30 行代碼段解決你的數(shù)據(jù)問題，這就給大家留下了（錯誤的）印象：訓練神經網絡這件事是非常簡單的，不同模塊即插即用就能搭個深度模型。

簡單的建模過程通常如下所示：

>>> your_data = # plug your awesome dataset here

>>> model = SuperCrossValidator(SuperDuper.fit, your_data, ResNet50, SGDOptimizer)# conquer world here

這些庫和示例令我們想起了熟悉標準軟件及模塊，標準軟件中通常可以獲取簡潔的 API 和抽象。

例如 Request 庫的使用展示如下：

>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))

>>> r.status_code200

酷！這些庫和框架的開發(fā)者背負起理解用戶 Query 字符串、url、GET/POST 請求、HTTP 連接等的大量需求，將復雜度隱藏在幾行代碼后面。這就是我們熟悉與期待的。

然而，神經網絡不一樣，它們并不是現(xiàn)成的技術。我在 2016 年撰寫的一篇博客中試圖說明這一點，在那篇文章中我認為反向傳播是「leaky abstraction」，然而現(xiàn)在的情況似乎更加糟糕了。

Backprop + SGD 不是魔法，無法讓你的網絡運行；批歸一化也無法奇跡般地使網絡更快收斂；RNN 也不能神奇地讓你直接處理文本。不要因為你可以將自己的問題表示為強化學習，就認為你應該這么做。如果你堅持在不理解技術原理的情況下去使用它，那么你很可能失敗。

2. 背著我不 work 的神經網絡

當你破壞代碼或者錯誤配置代碼時，你通常會得到某種異常。你在原本應該插入字符串的地方插入了整數(shù)；導入出錯；該關鍵字不存在……此外，為了方便 debug，你還很可能為某個功能創(chuàng)建單元測試。

這還只是開始。訓練神經網絡時，有可能所有代碼的句法都正確，但整個訓練就是不對?？赡軉栴}出現(xiàn)在邏輯性（而不是句法），且很難通過單元測試找出來。

例如，你嘗試截損失度而不是梯度，這會導致訓練期間的異常值被忽視，但語法或維度等檢測都不會出現(xiàn)錯誤。又或者，你弄錯了正則化強度、學習率、衰減率、模型大小等的設置，那么幸運的話網絡會報錯，然而大部分時候它會繼續(xù)訓練，并默默地變糟……

因此，「快速激烈」的神經網絡訓練方式沒有用，只會導致困難。現(xiàn)在，這些經驗性困難是使神經網絡正常運行的攔路虎，你需要更加周密詳盡地調試網絡才能減少困難，需要大量可視化來了解每一件事。

在我的經驗中，深度學習成功的重要因素是耐心和注重細節(jié)。

如何解決

基于以上兩點事實，我開發(fā)了一套將神經網絡應用于新問題的特定流程。該流程嚴肅地執(zhí)行了上述兩項原則：耐心和注重細節(jié)。

具體來說，它按照從簡單到復雜的方式來構建，我們在每一步都對即將發(fā)生的事作出準確的假設，然后用實驗來驗證假設或者調查直到發(fā)現(xiàn)問題。我們試圖盡力阻止大量「未經驗證的」復雜性一次來襲，這有可能導致永遠也找不到的 bug／錯誤配置。如果讓你像訓練神經網絡那樣寫它的代碼，你會想使用非常小的學習率，然后猜測，再在每次迭代后評估整個測試集。

1. 梳理數(shù)據(jù)

訓練神經網絡的第一步是不要碰代碼，先徹底檢查自己的數(shù)據(jù)。這一步非常關鍵。我喜歡用大量時間瀏覽數(shù)千個樣本，理解它們的分布，尋找其中的模式。幸運的是，人類大腦很擅長做這件事。有一次，我發(fā)現(xiàn)數(shù)據(jù)中包含重復的樣本，還有一次我發(fā)現(xiàn)了損壞的圖像／標簽。我會查找數(shù)據(jù)不均衡和偏差。我通常還會注意自己的數(shù)據(jù)分類過程，它會揭示我們最終探索的架構。比如，只需要局部特征就夠了還是需要全局語境？標簽噪聲多大？

此外，由于神經網絡是數(shù)據(jù)集的壓縮／編譯版本，你能夠查看網絡（錯誤）預測，理解預測從哪里來。如果網絡預測與你在數(shù)據(jù)中發(fā)現(xiàn)的不一致，那么一定是什么地方出問題了。

在你對數(shù)據(jù)有了一些感知之后，你可以寫一些簡單的代碼來搜索／過濾／排序標簽類型、標注規(guī)模、標注數(shù)量等，并沿任意軸可視化其分布和異常值。異常值通常能夠揭示數(shù)據(jù)質量或預處理中的 bug。

2. 配置端到端訓練/評估架構、獲取基線結果

現(xiàn)在我們已經理解了數(shù)據(jù)，那我們就可以開始構建高大上的多尺度 ASPP FPN ResNet 并訓練強大的模型了嗎？當然還不到時候，這是一個充滿荊棘的道路。我們下一步需要構建一個完整的訓練、評估架構，并通過一系列實驗確定我們對準確率的置信度。

在這個階段，你們最好選擇一些不會出錯的簡單模型，例如線性分類器或非常精簡的 ConvNet 等。我們希望訓練這些模型，并可視化訓練損失、模型預測和其它度量指標（例如準確率）。當然在這個過程中，我們還需要基于一些明確假設，從而執(zhí)行一系列對照實驗（ablation experiments）。

該階段的一些技巧與注意事項：

• 固定隨機 seed：始終使用固定的隨機 seed 能保證很多屬性，例如在我們兩次運行相同代碼時能得到相同的輸出。這能消除變化因子，從進行合理的判斷。
• 簡化：確保禁用不必要的技巧。例如，在這個階段肯定需要關閉數(shù)據(jù)增強。數(shù)據(jù)增強可以在后期引入，并作為一種強大的正則化策略。不過在這個階段引入的話，它就有機會帶來一些愚蠢的 bug。
• 使用多數(shù)據(jù)、少次數(shù)的驗證評估：當我們在繪制測試損失時，我們需要在整個比較大的測試集中執(zhí)行評估。不要過幾個批量就繪制一次測試損失，然后再依賴 TensorBoard 的平滑處理。我們雖然追求的是準確率，但也要防止犯這些低級錯誤。
• 在初始化中驗證損失：驗證你的損失函數(shù)在初始化中有比較合理的損失值。例如，如果你正確地初始化最終層，那么你應該通過-log(1/n_classes) 度量初始化的 Softmax 值。L2 回歸和 Huber 損失函數(shù)等都有相同的默認值。
• 優(yōu)秀的初始化：正確地初始化最終層。例如，如果你正在對均值為 50 的一些數(shù)據(jù)做回歸處理，那么初始化的最終偏置項就應該為 50。如果你有一個非平衡數(shù)據(jù)集（兩類樣本數(shù) 1：10），那么就需要在 logits 上設置偏置項，令模型在初始化時預測概率為 0.1。正確配置這些偏置項將加快收斂速度，因為網絡在前面幾次迭代中基本上只在學習偏置。
• 人類基線結果：監(jiān)控損失值等其他度量指標（例如準確度），這些指標應該是人類能解釋并檢查的。盡可能評估你自己（人類）獲得的準確率，并與構建的模型做對比。或者對測試數(shù)據(jù)進行兩次標注，其中一次為預測值，另一次為標注值。
• 獨立于輸入的基線結果：訓練一個獨立于輸入的基線模型，例如最簡單的方法就是將所有輸入都設置為 0。這樣的模型應該比實際輸入數(shù)據(jù)表現(xiàn)更差，你的模型是否準備好從任何輸入中抽取任何信息？
• 在批數(shù)據(jù)上過擬合：在單個批數(shù)據(jù)上使得過擬合（兩個或多個少樣本）。為此，我們需要增加模型擬合能力，并驗證我們能達到的最低損失值（即 0）。我還想在同一張圖中顯示標簽和預測值，并確保損失值一旦達到最小，它們就能完美地對齊了。
• 驗證訓練損失的下降：在這一階段，你可能希望在數(shù)據(jù)集上實現(xiàn)欠擬合，該階段的模型應該是極簡的。然后我們嘗試增加一點模型的擬合能力，再看看訓練損失是否稍微下降了一些。
• 在輸入網絡前可視化：在運行模型之前，我們需要可視化數(shù)據(jù)。也就是說，我們需要可視化輸入到網絡的具體數(shù)據(jù)，即可視化原始張量的數(shù)據(jù)和標簽。這是唯一的「真實來源」，我有很多次都是因為這個過程而節(jié)省了大量時間，并揭示了數(shù)據(jù)預處理和數(shù)據(jù)增強過程中的問題。
• 可視化預測過程：我喜歡在訓練過程中對一個固定的測試批數(shù)據(jù)進行模型預測的可視化。這展示了預測值如何變化的過程，能為我們提供關于訓練過程的優(yōu)秀直覺。很多時候，如果網絡以某種方式小幅度波動，那么模型最可能在嘗試擬合數(shù)據(jù)，這也展示了一些不穩(wěn)定性。太低或太高的學習率也很容易注意到，因為抖動量比較大。
• 使用反向傳播繪制依賴性：你的深度學習代碼通常包括復雜的、矢量化的、Boardcast 操作。一個常見的 bug 是，人們會無意間使用 view 而不是 transpose/permute，從而混合了批量數(shù)據(jù)中的維度信息。然而，你的網絡仍然可以正常訓練，只不過它們學會忽略了其它樣本中的數(shù)據(jù)。一種 debug 的方法是將某些樣本 i 的損失設置為 1.0，然后運行反向傳播一直到輸入，并確保第 i 個樣本的梯度不為零。更一般的，梯度為我們提供了網絡中的依賴性關系，它們在 debug 中非常有用。
• 一般化特殊案例：這是一種更為通用的代碼技巧，但是我經常看到人們在使用這些技巧時會新產生 Bug，尤其是在從頭構建一般函數(shù)時。相反，我喜歡直接寫非常具體的函數(shù)，它只包含我現(xiàn)在需要做的事情。我會先讓這個函數(shù)能 work，然后再一般化好函數(shù)，并確保能取得相同的結果。通常這個過程會體現(xiàn)在向量化代碼中，我會先用循環(huán)編寫某個過程，然后再一次一個循環(huán)地將它們轉化為向量化化代碼。

3. 過擬合

到了這個階段，我們應該對數(shù)據(jù)集有所了解了，而且有了完整的訓練+評估流程。對于任何給定的模型，我們可以計算出我們信任的度量。而且還為獨立于輸入的基線準備了性能，一些 dumb 基線的性能（最好超過這些），我們人類的表現(xiàn)有大致的了解（并希望達到這一點）。現(xiàn)在，我們已經為迭代一個好的模型做好了準備。

我準備用來尋找好模型的方法有兩個階段：首先獲得足夠大的模型，這樣它能夠過擬合（即關注訓練損失），然后對其進行適當?shù)恼齽t化（棄掉一些訓練損失以改進驗證損失）。我喜歡這兩個階段的原因是，如果我們不能用任何模型實現(xiàn)較低的誤差率，則可能再次表明一些問題、bug 和配置錯誤。

該階段的一些技巧與注意事項：

• 選擇模型：為了達到理想的訓練損失，我們可能希望為數(shù)據(jù)選擇一個合適的架構。當我們在挑選模型時，我的第一個建議即別好高騖遠。我看到很多人都非?？释婚_始就堆疊一些新的模塊，或創(chuàng)造性地用于各種異質架構，從而想一步到位做好。我建議可以找最相關的論文，并直接利用它們的簡單架構，從而獲得良好性能。后面再基于這個架構做修改和改進，并將我們的想法加進去就行了。
• Adam 是一般選擇：在配置基線模型地早期階段，我喜歡使用 Adam 算法（學習率為 3e-4）。在我的經驗中，Adam 對超參數(shù)的容忍度更高，不太好的學習率也能獲得一般的效果。對于卷積網絡來說，一般經過仔細調整的 SGD 幾乎總會略優(yōu)于 Adam，但最佳學習率的可能區(qū)域要窄得多。
• 一次復雜化一個：如果你有多個特性插入分類器，我建議你一個個插入，從而確保能獲得期待的性能提升。不要在最開始時就一次性全加上，這樣你會弄不清楚性能提升到底是哪個特性帶來的。還有其它增加復雜性的方法，例如你可以先嘗試插入較小的圖像，然后再慢慢地加大。
• 別相信默認的學習率衰減：如果你修改來自其它領域的代碼，你應該小心使用學習率衰減方法。對于不同問題，你不僅希望使用不同的衰減策略，同時因為 Epoch 的數(shù)量不同，衰減過程也會不一樣。例如數(shù)據(jù)集的大小，會影響 Epoch 的數(shù)量，而很多學習率衰減策略是直接與 Epoch 相關的。在我自己的工作中，我經常整個地關閉學習率衰減，即使用常數(shù)學習率。

4. 正則化

理想情況下，我們現(xiàn)在至少有了一個擬合訓練集的大模型?，F(xiàn)在是時候對它進行正則化，并通過放棄一些訓練準確率來提升驗證準確率了。技巧包括：

• 更多數(shù)據(jù)：首先，在當前任何實際環(huán)境中正則化模型的最好方式是增加更多真實的訓練數(shù)據(jù)。在你能收集更多數(shù)據(jù)時，花費大量工程時間試圖從小數(shù)據(jù)集上取得更好結果是很常見的一個錯誤。我認為增加更多數(shù)據(jù)是單調提升一個較好配置神經網絡性能的唯一可靠方式。
• 數(shù)據(jù)增強：比真實數(shù)據(jù)較次的方法是半假數(shù)據(jù)，試驗下更激進的數(shù)據(jù)增強。
• 創(chuàng)造性增強：如果半假數(shù)據(jù)也沒有，假數(shù)據(jù)也還可以。人們在尋求擴展數(shù)據(jù)集的創(chuàng)造性方法。例如，域隨機化、使用模擬數(shù)據(jù)、把數(shù)據(jù)插入場景這樣機智的混合方法，甚至可以用 GAN。
• 預訓練：即使你有足夠的數(shù)據(jù)，你也可以使用預訓練網絡，基本沒什么損失。
• 堅持監(jiān)督式學習：不要對無監(jiān)督學習過于激動。據(jù)我所知，沒有什么無監(jiān)督學習方法在當前計算機視覺任務上有很強的結果（盡管 NLP 領域現(xiàn)在有了 BERT 和其他類似模型，但這更多歸功于文本更成熟的本質以及對噪聲比更好的信號）。
• 更小的輸入維度：移除可能包含假信號的特征。如果你的數(shù)據(jù)集很小，任何加入的假輸入只會增加過擬合的可能。類似地，如果低級細節(jié)作用不大，試試輸入更小的圖像。
• 更小的模型：在許多情況下，你可以在網絡上使用域知識約束來降低模型大小。例如，在 ImageNet 主干網絡頂部使用全連接層一度很流行，但它們后來被簡單的平均池化取代，消除了這一過程中大量的參數(shù)。
• 減小批大小：由于 BN 基于批量大小來做歸一化，較小的批量大小具有更強的正則化效果。這主要因為一個批量的統(tǒng)計均值與標準差是實際均值和標準差的近似，所以縮放量和偏移量在小批量內波動地更大。
• drop：增加 dropout。在卷積網絡上使用 dropout2d（空間 dropout）。保守謹慎的使用 dropout，因為它對 batch 歸一化好像不太友好。
• 權重衰減：增加權重衰減懲罰。
• 早停（early stopping）：基于你得到的驗證損失停止訓練，從而在即將過擬合之前獲取模型。
• 嘗試更大的模型：我過去多次發(fā)現(xiàn)更大模型最終都會很大程度的過擬合，但它們「早?！购蟮男阅芤刃∧Ｐ秃玫枚唷?/span>

最后，為了更加確保網絡是個合理的分類器，我喜歡可視化網絡第一層的權重，確保自己獲得了有意義的邊緣。如果第一層的濾波器看起來像噪聲，那需要去掉些東西。類似地，網絡內的激活函數(shù)有時候也會揭示出一些問題。

5. 精調

現(xiàn)在你應該位于數(shù)據(jù)集一環(huán)，探索取得較低驗證損失的架構模型空間。這一步的一些技巧包括：

• 隨機網格搜索：在同時精調多個超參數(shù)時，使用網格搜索聽起來更誘惑，能夠確保覆蓋到所有環(huán)境。但記住，使用隨機搜索反而是最佳方式。直觀上，因為神經網絡對一些參數(shù)更為敏感。在極限情況下，如果參數(shù) a 很重要，改變 b 卻沒有影響，然后相比于多次在固定點采樣，你寧可徹底采樣 a。
• 超參數(shù)優(yōu)化：如今社區(qū)內有大量好的貝葉斯超參數(shù)優(yōu)化工具箱，我的一些朋友用過后覺得很成功。但我的個人經驗是，探索好的、寬的模型空間和超參數(shù)的最佳方法是找個實習生。開玩笑而已，哈哈哈。

6. 最后的壓榨

一旦你找到最好的架構類型和超參數(shù)，依然可以使用更多的技巧讓系統(tǒng)變得更好：

• 集成：模型集成是能將準確率穩(wěn)定提升 2% 的一種好方式。如果你承擔不起測試階段的計算成本，試著使用《Distilling the Knowledge in a Neural Network》中的方法把你的模型蒸餾到一個網絡。
• 一直訓練：我經?？吹揭恍┤嗽隍炞C損失趨平時會中斷模型訓練，以我的經驗來看，網絡會長時間保持非直觀的訓練。寒假時有一次我忘了關掉模型訓練，一月回來后發(fā)現(xiàn)它取得了 SOTA 結果。

結論

一旦你做到了這些，你就具備了成功的所有要素：對神經網絡、數(shù)據(jù)集和問題有了足夠深的了解，配置好了完整的訓練/評估體系，取得高置信度的準確率，逐漸探索更復雜的模型，提升每一步的表現(xiàn)?，F(xiàn)在萬事俱備，就可以去讀大量論文，嘗試大量實驗并取得 SOTA 結果了。