这篇教程深度学习-神经网络模型参数选择写得很实用，希望能帮到您。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28 |
from keras import models
from keras import layers
from keras.datasets import mnist
from keras.utils import to_categorical
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# build network
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28, )))
network.add(layers.Dense(10, activation="softmax"))
network.compile(
optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
train_images = train_images.reshape((train_images.shape[0], 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((test_images.shape[0], 28 * 28))
test_images = test_images.astype('float32') / 255
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
network.fit(train_images, train_labels, epochs=10, batch_size=128)
test_loss, test_acc = network.evaluate(test_images, test_labels)
print("test_acc:", test_acc) |
不过又有了新的疑问，隐藏层个数、激活函数、优化器什么什么的，都该怎么选择呢？ 如何区分欠拟合、过拟合？如何调优呢？
带着种种疑问，又撸了吴恩达老师的视频，解答了一些疑问，调参的时候心里有谱了些
一、分出验证集
首先，为什么需要验证集？ 如果在训练集上训练后，再根据测试集上的效果来调参，相当于间接把测试集用于训练，这对于比较模型好坏来说是不公平的~
所以从训练集中分出一部分作为验证集，通过验证集上的结果调整参数；参数调好了后，再把验证集加到训练集，得到最终的模型，用于测试集的检验。
详细来说，有三种主流的方法：
1. 简单留出验证集，一般 train_set:val_set:test_set = 6:2:2
2. K折交叉验证
如果数据量很少，随机抽出的验证集不足以衡量参数效果，则采用这种方式
3. 带有打乱数据的重复 K 折验证
如果可用的数据相对较少，而你又需要尽可能精确地评估模型，那么可以选择带有打乱数据的重复 K 折验证（ iterated K-fold validation with shuffling）
即每次K折之前打算数据，重复P次，共训练 P*K个模型
二、activation，loss，metrics， optimizer，batch_size的选择
1.activation(激活函数)
为什么需要激活函数？如果隐含层不使用激活函数，那么它表达的永远都是线性关系；使用多个线性隐藏层的logistic回归与没有隐藏层的logistic回归是等价的
隐含层激活函数现在一般推荐ReLU, 如果效果不好再使用LeakyReLU, Maxout； 对于输出层，则根据神经网络的目的，比如多分类问题，就用softmax
图片转自知乎：
补充LeakyReLU 曲线图
2. loss(损失函数)与metrics(度量)
损失函数是神经网络训练的目标函数，度量是给人看的指标，比如准确度，mae等
二分类：binary_crossentropy(二元交叉熵) accuracy(分类器正确分类的样本数与总样本数之比)
多分类：categorical_crossentropy(多元交叉熵) accuracy
拟合： MSE(均方误差) MAE(平均绝对误差)，比如预测房价与实际房价的平均偏差
二分类问题中，正负样本的数目是有很大偏差的，需要用P指标、R指标评估模型
如0.1% 的样本是癌症样本，如果模型直接预测100%样本是正常的，此时模型准确是 99.99%
精确率(precision) 所有"正确被检索的结果(TP)"占所有"实际被检索到的(TP+FP)"的比例
召回率(recall) 所有"正确被检索的结果(TP)"占所有"应该检索到的结果(TP+FN)"的比例
显然，P指标和R指标会出现矛盾的情况，这时我们用F1度量来综合评价模型结果。F1越大，效果越好
3. optimizer(权值更新算法) 与 batch_size
多是基于BP算法的优化，现一般推荐使用 rmsprop
batch_size 一般取2的幂，利于CPU并行处理
四. 过拟合、欠拟合处理
初始网络：
- 一般而言是一个隐藏层
- 如果采用多个隐藏层，每个隐藏层的数目是相等的
欠拟合的表现：训练集、验证集上的损失都没有降低
过拟合的表现：训练集损失很小，验证集上损失在增大
扩大训练集---------------------> underfitting
增加特征-----------------------> underfitting
减少特征-----------------------> overfitting
减少隐含层层数、隐含层节点-----> overfitting
减少正则系数λλ----------> underfitting
增大正则系数λλ----------> overfitting
利用keras加载训练好的.H5文件，并预测图片
Keras RAdam |
