空洞卷积：

 

2020-02-15

1.偏置参数个数

2d卷积时，如果设置该层偏置有效，偏置参数个数= 输出通道数目。 

 

2.2d卷积分组个数限定

分组个数一定要能被输入通道整除，并且要能被输出通道整除。

输入通道整除原因：因为 输入通道/ 分组数目 要=整数。不等于整数时会发生。余数通道怎么处理问题。

 输出通道整除原因:不能整除会发生每个通道卷积次数不一致问题。

比如 输入通道是6，分组是3 ，卷积大小3.如果输出通道是7 。 单卷积核通道数6/3 = 2个通道。 输出通道是7。这时，每个输出通道相当于 卷(3*3)*2 的卷积核。总共需要14(7*2)个通道，但是原图是6通道。这时候同样发生 剩余通道归属问题。相反，当卷积数目能整除通道数目时，有如下公式 （卷积数目）*单卷积核通道数目= （x *分组数）*单卷积核通道数目= x*输入通道数目 。不会发生多余通道归属问题，对于输入通道的每个通道都是均衡的，不存在某些通道过重偏移。

 

 

2020-02-21

信息处理问题角度触发观点

1.信息瓶颈：https://baike.baidu.com/item/%E4%BF%A1%E6%81%AF%E7%93%B6%E9%A2%88/22761215?fr=aladdin

信息从多到少，少到多。如自编码。

2.稠密信息转稀疏信息。

如猫狗识别，手写数字识别。 输入的图片（像素数目）， 输出的是几个类别。

3.稀疏信息转稠密信息

如：生成网络。 输入长发，短发，生成图像。目前还不够火。

4.稠密转稠密信息

自编码。语音转文字；文字转语音

----------------------------------------------------------------------------------------------------------------

池化作用1：池化能快速的减少无用特征。适合稠密信息转稀疏信息过程。卷积大步长效果类似池化，但是池化更快。但是。

稀疏信息转稠密信息不适合使用池化。注意有反池化。但是反池化和池化不是一回事，一般反池化称为上采样。

 

最大池化：网络的中间及前面部分使用最大池化。最大池化一般用于提取前景信息，尽快的体现数据的（特征差异）。前景信息差异大。

平均池化：网络结尾一般使用平均池化或者不用。平均池化提取背景信息。类似概率论中，平均池化相对就是取均值，代表所有点的整体中心。

池化作用2：平移不变性。类似一副网格尺图像 ，直接最近邻缩小，可能出现线断断续续。 但是如果缩小的点在原图映射点，一定范围内做高斯滤波，然后决定值。就不易出现线断掉。

（1）邻域大小受限造成的估计值方差增大，mean能减小这种误差。
（2）卷积层参数误差造成估计均值的偏移，max能减小这种误差。

---------------------------------------------------------------------------------------------------------------------------------------------------

归一化

BatchNormal 2015年提出。之前是手动调参，手动去调参数的正态分布（期望，方差）来初始化参数，来控制输出值范围。

BatchNormal 用在权重相乘之后， 激活函数之前。虽然有relu（），但是BatchNormal，至少能保证梯度不会消失或爆炸。

https://www.sohu.com/a/256793035_100285715

解决梯度弥散方式：1）残差；2）批量归一化。解决梯度爆炸方式：1）批量归一化

延缓梯度弥散方式：除了上面还有 relu()。  延缓梯度爆炸方式：减少学习率，初始化权重

深度学习portoch笔记_概念随笔 (1) 首先减去均值，除方差，归一化（0，1）的正太分布。 分母+一个系数，是防止分母为零，接近0的数（比如期望和x全部一致）

深度学习portoch笔记_概念随笔 (2) γ，β是因为 归一化后的分布，不一定和激活函数一致。并且数据分布也和期望的分布有差别。注意这俩个参数在训练过程中是要训练的。

注意，γ，β大多数情况下需要。他们起到的作用是将数据分布推进到真实的概率分布。

 

注意：训练的时候，网络会自动调用"train()"。 评估的时候需要手动调用“eval()” 。才能正确使用。

 

batchNormal 在批次上，对(N,H,W)上做归一化。一般用在训练的时候，保证系数的稳定性，加速网络找特征的不同点。帮助网络提取特征。因此特征点要比较多，归一化效果才好。批次太少的话，相当于每次采样点少，不足于每次接近体现真实概率。可能是局部，反倒引起震荡。（此时可能用组归一化Group Normalization）

InstanceNormal  在图像像素上，对HW做归一化。控制每个通道之间的差异。控制的全局特征，大体风格。对整体风格进行转换。如秋天变冬天。

LayerNormal  是在通道方向上，对C,H,W做归一化。控制的是细节（形状细节）。如：瘦脸 …… 。在RNN上做自然语义时，提示明显。

参考资料：https://blog.csdn.net/liuxiao214/article/details/81037416

 

 

2020-02-24

欠拟合：欠拟合是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。

过拟合：为了得到一致假设而使假设变得过度严格称为过拟合。

深度学习portoch笔记_概念随笔

 

 

欠拟合：数据和训练次数，相对于特征参数来说不足。

过拟合：解决方法，L1,L2正则化，dropout。丰富样本多样性。

3）用先验知识，比如侦测无人机，要检测无人机，框一个框，yolo就提出一个“建议框”，通过先给约束，来极大提升训练速度。

　　另一种加入大量数据量(类似抛硬币，抛的次数多了就接近主要)。这时候可以理解数据独立同分布。这时候加数据，其实是独立同分布增加抛硬币次数，加入数据和之前数据相对于已经学习到的特征共同特征减少。注意这种方法，有时候不可行。因为样本采集有成本。

4）把网络变笨：减少参数量？正则化

设计好一个神经网络，这个网络大概需要多少的数据量？

至少来说 1个权重对应1个特征

IID独立同分布问题：一般

一般情况下 数据量至少是网络参数的10倍。才能有比较好的效果。数据与数据之间存在大量重叠的信息，所以不是简单的1：1关系。

数据量过大，网络过少，容易出现欠拟合。

 

L2正则化：w平方。导数是2W。 整个变化过程是比较平滑的。很难降到0。

L1正则化：|W|。导数是1，到最后会震荡。L1会把权重压到0 。到0会导致权重不会再更新。，避免梯度消失。

所以深度学习，几乎都用L2正则化

 

Dropout：是在当前批次中，随机的抑制神经元，让其不参与训练。

之所以在测试的时候要显示调用“eval”是为了告诉网络，这时候所有神经元都要参与计算。

Dropout一般放在激活前面。

 

 ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 

2020-03-06

变分自动编码器(VAE)：13年出现 。缺点边缘信息比较模糊。换脸比较成功