一段时间之前，在一个深度学习交流群里看到一个群友发问：为什么他的训练误差最后疯狂上下抖动而不是一直降低。

作为一个很萌的萌新，我当时也很疑惑。但后来我结合所学，仔细思考之后，发现这是一个挺容易犯的错误。

References ：

电子文献：
https://blog.csdn.net/bestrivern/article/details/86301619
https://www.jianshu.com/p/9643cba47655
https://www.cnblogs.com/eilearn/p/9780696.html
https://blog.csdn.net/donkey_1993/article/details/81871132
https://www.pytorchtutorial.com/how-to-use-batchnorm/

问题

事实上，这是一个在机器学习中就有可能遇到的问题，当学习速率α设置得过大时，往往在模型训练的后期难以达到最优解，而是在最优解附近来回抖动。还有可能反而使损失函数越来越大，甚至达到无穷，如下图所示。

而在深度学习中，假设我们使用mini-batch梯度下降法，由于mini-batch的数量不大，大概64或者128个样本，在迭代过程中会有噪声。这个时候使用固定的学习率导致的结果就是虽然下降朝向最小值，但不会精确地收敛，只会在附近不断地波动（蓝色线）。

但如果慢慢减少学习率，在初期，学习还是相对较快地，但随着学习率的变小，步伐也会变慢变小，所以最后当开始收敛时，你的曲线（绿色线）会在最小值附近的一个较小区域之内摆动，而不是在训练过程中，大幅度地在最小值附近摆动。

对于这个问题，我目前收集了有下面这些解决办法。

直接修改学习率

在吴恩达的机器学习课程中，他介绍了一种人为选择学习率的规则：每三倍选择一个学习率。
比如：我们首先选择了0.1为学习率，那么当这个学习率过大时，我们修改成0.3。倘若还是偏大，我们继续改为0.01、0.003、0.001…以此类推，当学习率偏小是也是以三倍增加并尝试检验，最终选出比较合适的学习率。
但这种方法只适用于模型数量小的情况，且这种方法终究还是固定的学习率，依旧无法很好地权衡从而达到前期快速下降与后期稳定收敛的目的。

学习率动态衰减

学习率衰减的本质在于，在学习初期，你能承受并且需要较大的步伐，但当开始收敛的时候，小一些的学习率能让你步伐小一些，从而更稳定地达到精确的最优解。
为此，我们另外增添衰减率超参数，构建函数使学习率能够在训练的过程中动态衰减。

其中decay rate称为衰减率，epoch num是代数，$ \alpha _{0} $是初始学习率。
此外还有下面这些构造方法：
指数衰减：$ \alpha =0.95^{epochnum}*\alpha _{0} $
其他常用方法：

其中k为mini-batch的数字。

几种衰减方法的实现

在pytorch中，学习率调整主要有两种方式：
1.直接修改optimizer中的lr参数。
2.利用lr_scheduler()提供的几种衰减函数。即使用 torch.optim.lr_scheduler ，基于循环的次数提供了一些方法来调节学习率。
3.利用 torch.optim.lr_scheduler.ReduceLROnPlateau ，基于验证测量结果来设置不同的学习率.
下面提供几种实现方法：
准备（对下列通用）：

1
2
3
4
5
6
7
8
9
10
11

import torch
from torch.optim import * #包含Adam，lr_scheduler等
import torch.nn as nn

#生成一个简单全连接神经网络
class net(nn.Module):
    def __init__(self):
        super(net, self).__init__()
        self.fc = nn.Linear(1, 10)
    def forward(self, x):
        return self.fc(x)

1. 手动阶梯式衰减

   1 2 3 4 5 6 7

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) for epoch in range(100): if epoch % 5 == 0: for p in optimizer.param_groups: p['lr'] *= 0.9 #学习率超参的位置：optimizer.state_dict()['param_groups'][0]['lr']

   这里是每过5个epoch就进行一次衰减。

   

2. lambda自定义衰减

   1 2 3 4 5 6 7 8

   import numpy as np model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) lambda1 = lambda epoch: np.sin(epoch) / epoch scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda = lambda1) for epoch in range(100): scheduler.step()

   lr_lambda会接收到一个int参数：epoch，然后根据epoch计算出对应的lr。如果设置多个lambda函数的话，会分别作用于optimizer中的不同的params_group。

   

3. StepLR阶梯式衰减

   1 2 3 4 5 6

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) scheduler = lr_scheduler.StepLR(optimizer, step_size = 5, gamma = 0.8) for epoch in range(100): scheduler.step()

   每个epoch，lr会自动乘以gamma。

   

4. 三段式衰减

   1 2 3 4 5 6

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) scheduler = lr_scheduler.MultiStepLR(optimizer, milestones = [20,80], gamma = 0.9) for epoch in range(100): scheduler.step()

   这种方法就是，当epoch进入milestones范围内即乘以gamma，离开milestones范围之后再乘以gamma。
   这种衰减方式也是在学术论文中最常见的方式，一般手动调整也会采用这种方法。

   

5. 连续衰减

   1 2 3 4 5 6

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) scheduler = lr_scheduler.ExponentialLR(optimizer, gamma = 0.9) for epoch in range(100): scheduler.step()

   这种方法就是在每个epoch中lr都乘以gamma，从而达到连续衰减的效果。

   

6. 余弦式调整

   1 2 3 4 5 6

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) scheduler = lr_scheduler.CosineAnnealingLR(optimizer, T_max = 20) for epoch in range(100): scheduler.step()

   这里的T_max对应1/2个cos周期所对应的epoch数值。

   

7. 基于loss和accuracy

   1 2 3 4 5 6

   model = net() LR = 0.01 optimizer = Adam(model.parameters(), lr = LR) scheduler = lr_scheduler.ReduceLROnPlateau(optimizer, mode = 'min', factor = 0.1, patience = 10, verbose = False, threshold = 0.0001, threshold_mode = 'rel', cooldown = 0, min_lr = 0, eps = 1e-08) for epoch in range(100): scheduler.step()

   当发现loss不再降低或者accuracy不再提高之后，就降低学习率。

   注：上面代码中各参数意义如下：
   mode：’min’模式检测metric是否不再减小，’max’模式检测metric是否不再增大；
   factor：触发条件后lr*=factor；
   patience：不再减小（或增大）的累计次数；
   verbose：触发条件后print；
   threshold：只关注超过阈值的显著变化；
   threshold_mode：有rel和abs两种阈值计算模式，rel规则：max模式下如果超过best(1+threshold)为显著，min模式下如果低于best(1-threshold)为显著；abs规则：max模式下如果超过best+threshold为显著，min模式下如果低于best-threshold为显著；
   cooldown：触发一次条件后，等待一定epoch再进行检测，避免lr下降过速；
   min_lr：最小的允许lr；
   eps：如果新旧lr之间的差异小与1e-8，则忽略此次更新。

这里非常感谢facebook的员工给我们提供了如此多的选择与便利！
对于上述方法如有任何疑惑，还请查阅 torch.optim文档 。

批归一化（Batch Normalization）

除了对学习率进行调整之外，Batch Normalization也可以有效地解决之前的问题。
我是在学习ResNet的时候第一次遇到批归一化这个概念的。随着深度神经网络深度的加深，训练越来越困难，收敛越来越慢。为此，很多论文都尝试解决这个问题，比如ReLU激活函数，再比如Residual Network，而BN本质上也是解释并从某个不同的角度来解决这个问题的。
通过使用Batch Normalization，我们可以加快网络的收敛速度，这样我们就可以使用较大的学习率来训练网络了。此外，BN还提高了网络的泛化能力。
BN的基本思想其实相当直观：
首先，因为深层神经网络在做非线性变换前的激活输入值（就是x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），这就导致了反向传播时低层神经网络的梯度消失，这是训练深层神经网络收敛越来越慢的本质原因。
事实上，神经网络学习过程本质上是为了学习数据的分布，而BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0、方差为1的标准正态分布，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化，从而让梯度变大，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，因此通过BN能大大加快训练速度。
下面来看看BN的具体操作过程：

即以下四个步骤：
1.计算样本均值。
2.计算样本方差。
3.对样本数据进行标准化处理。
4.进行平移和缩放处理。这里引入了γ和β两个参数。通过训练可学习重构的γ和β这两个参数，让我们的网络可以学习恢复出原始网络所要学习的特征分布。
下面是BN层的训练流程：

这里的详细过程如下：
输入：待进入激活函数的变量。
输出：
1.这里的K，在卷积网络中可以看作是卷积核个数，如网络中第n层有64个卷积核，就需要计算64次。

注意：在正向传播时，会使用γ与β使得BN层输出与输入一样。

2.在反向传播时利用γ与β求得梯度从而改变训练权值（变量）。
3.通过不断迭代直到训练结束，求得关于不同层的γ与β。
4.不断遍历训练集中的图片，取出每个batch_size中的γ与β，最后统计每层BN的γ与β各自的和除以图片数量得到平均值，并对其做无偏估计直作为每一层的E[x]与Var[x]。
5.在预测的正向传播时，对测试数据求取γ与β，并使用该层的E[x]与Var[x]，通过图中11：所表示的公式计算BN层输出。

注意：在预测时，BN层的输出已经被改变，因此BN层在预测中的作用体现在此处。

上面输入的是待进入激活函数的变量，在残差网络ResNet中，的确也是先经过BN层再用relu函数做非线性处理的。那么，为什么BN层一般用在线性层和卷积层的后面，而不是放在非线性单元即激活函数之后呢？
因为非线性单元的输出分布形状会在训练过程中变化，归一化无法消除他的方差偏移。相反的，全连接和卷积层的输出一般是一个对称、非稀疏的一个分布，更加类似高斯分布，对他们进行归一化会产生更加稳定的分布。
比如，我们对一个高斯分布的数据relu激活，那么小于0的直接就被抑制了，这样得到的结果很难是高斯分布了，这时候再添加一个BN层就很难达到所需的效果。
很多实验证明，BatchNorm只要用了就有效果，所以在一般情况下没有理由不用。但也有相反的情况，比如当每个batch里所有的sample都非常相似的时候，相似到mean和variance都基本为0时，最好不要用BatchNorm。此外如果batch size为1，从原理上来讲，此时用BatchNorm是没有任何意义的。

注意：通常我们在进行Transfer Learning的时候，会冻结之前的网络权重，注意这时候往往也会冻结BatchNorm中训练好的moving averages值。这些moving averages值只适用于以前的旧的数据，对新数据不一定适用。所以最好的方法是在Transfer Learning的时候不要冻结BatchNorm层，让moving averages值重新从新的数据中学习。

批归一化实现

这里还是使用pytorch进行实现。
准备（对下列通用）：

1
2

import torch
import torch.nn as nn

1. 2d或3d输入

   1 2 3 4 5 6

   # 添加了可学习的仿射变换参数 m = nn.BatchNorm1d(100) # 未添加可学习的仿射变换参数 m = nn.BatchNorm1d(100, affine = False) input = torch.autograd.Variable(torch.randn(20, 100)) output = m(input)

   我们查看m，可以看到有如下形式：

   1	BatchNorm1d(100, eps=1e-05, momentum=0.1, affine=False, track_running_stats=True)

   这里解释一下涉及到的参数：
   num_features：来自期望输入的特征数，该期望输入的大小为： batch_size * num_features(* width)
   eps：为保证数值稳定性（分母不能趋近或取0），给分母加上的值，默认为1e-5。
   momentum：计算动态均值和动态方差并进行移动平均所使用的动量，默认为0.1。
   affine：一个布尔值，当设为true时，就给该层添加可学习的仿射变换参数。仿射变换将在后文做简单介绍。
   BatchNorm1d可以有两种输入输出：
   1.输入（N，C），输出（N，C）。
   2.输入（N，C，L），输出（N，C，L）。

2. 3d或4d输入

   1 2 3 4 5

   m = nn.BatchNorm2d(100) #或者 m = nn.BatchNorm2d(100, affine = False) input = torch.autograd.Variable(torch.randn(20, 100, 35, 45)) output = m(input)

   BatchNorm2d也可以有两种输入输出：
   1.输入（N，C，L），输出（N，C，L）。
   2.输入（N，C，H，W），输出（N，C，H，W）。

3. 4d或5d输入

   1 2 3

   m = nn.BatchNorm3d(100) #或者 m = nn.BatchNorm3d(100, affine=False)

   BatchNorm3d同样支持两种输入输出：
   1.输入（N，C，H，W），输出（N，C，H，W）。
   2.输入（N，C，D，H，W），输出（N，C，D，H，W）。

仿射变换

这里我简单介绍一下仿射变换的概念，仿射变换（Affine Transformation或Affine Map）是一种二维坐标（x, y）到二维坐标（u, v）的变换，它是另外两种简单变换的叠加，一是线性变换，二是平移变换。同时，仿射变换保持了二维图形的“平直性”、“平行性”和“共线比例不变性”，非共线的三对对应点确定一个唯一的仿射变换。

补充：
共线性：若几个点变换前在一条线上，则仿射变换后仍然在一条线上。
平行性：若两条线变换前平行，则变换后仍然平行。
共线比例不变性：变换前一条线上两条线段的比例，在变换后比例不变。

在二维图像变换中，它的一般表达如下：

可以视为线性变换R和平移变换T的叠加。
另外，仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切。因此我们可以将几种简单的变换矩阵相乘来实现仿射变换。