卷積神經(jīng)網(wǎng)絡注意事項

1）數(shù)據(jù)集的大小和分塊

數(shù)據(jù)驅(qū)動的模型一般依賴于數(shù)據(jù)集的大小，CNN和其他經(jīng)驗模型一樣，能夠適用于任意大小的數(shù)據(jù)集，但用于訓練的數(shù)據(jù)集應該足夠大， 能夠覆蓋問題域中所有已知可能出現(xiàn)的問題，

設計CNN的時候，數(shù)據(jù)集應該包含三個子集：訓練集、測試集、驗證集

訓練集：包含問題域中的所有數(shù)據(jù)，并在訓練階段用來調(diào)整網(wǎng)絡的權(quán)重

測試集：在訓練的過程中用于測試網(wǎng)絡對訓練集中未出現(xiàn)的數(shù)據(jù)的分類性能，根據(jù)網(wǎng)絡在測試集上的性能情況，網(wǎng)絡的結(jié)構(gòu)可能需要作出調(diào)整，或者增加訓練循環(huán)次數(shù)。

驗證集：驗證集中的數(shù)據(jù)統(tǒng)一應該包含在測試集和訓練集中沒有出現(xiàn)過的數(shù)據(jù)，用于在網(wǎng)絡確定之后能夠更好的測試和衡量網(wǎng)絡的性能

Looney等人建議，數(shù)據(jù)集中65%的用于訓練，25%的用于測試，10%用于驗證

2）數(shù)據(jù)預處理

為了加速訓練算法的收斂速度，一般都會采用一些數(shù)據(jù)預處理技術(shù)，其中包括：去除噪聲、輸入數(shù)據(jù)降維、刪除無關(guān)數(shù)據(jù)等。

數(shù)據(jù)的平衡化在分類問題中異常重要，一般認為訓練集中的數(shù)據(jù)應該相對于標簽類別近似于平均分布，也就是每一個類別標簽所對應的數(shù)據(jù)集在訓練集中是基本相等的，以避免網(wǎng)絡過于傾向于表現(xiàn)某些分類的特點。

為了平衡數(shù)據(jù)集，應該移除一些過度富余的分類中的數(shù)據(jù)，并相應補充一些相對樣例稀少的分類中的數(shù)據(jù)。

還有一個方法就是復制一部分這些樣例稀少分類中的數(shù)據(jù)，并在這些數(shù)據(jù)中加入隨機噪聲。

3）數(shù)據(jù)規(guī)則化

將數(shù)據(jù)規(guī)則化到統(tǒng)一的區(qū)間（如［0，1］）中具有很重要的優(yōu)點：防止數(shù)據(jù)中存在較大數(shù)值的數(shù)據(jù)造成數(shù)值較小的數(shù)據(jù)對于訓練效果減弱甚至無效化，一個常用的方法是將輸入和輸出數(shù)據(jù)按比例調(diào)整到一個和激活函數(shù)相對應的區(qū)間。

4）網(wǎng)絡權(quán)值初始化

CNN的初始化主要是初始化卷積層和輸出層的卷積核（權(quán)值）和偏置

網(wǎng)絡權(quán)值初始化就是將網(wǎng)絡中的所有連接權(quán)重賦予一個初始值，如果初始權(quán)重向量處在誤差曲面的一個相對平緩的區(qū)域的時候，網(wǎng)絡訓練的收斂速度可能會很緩慢，一般情況下網(wǎng)絡的連接權(quán)重和閾值被初始化在一個具有0均值的相對小的區(qū)間內(nèi)均勻分布。

5）BP算法的學習速率

如果學習速率選取的較大，則會在訓練過程中較大幅度的調(diào)整權(quán)值w，從而加快網(wǎng)絡的訓練速度，但是這和造成網(wǎng)絡在誤差曲面上搜索過程中頻繁抖動，且有可能使得訓練過程不能收斂。

如果學習速率選取的較小，能夠穩(wěn)定的使得網(wǎng)絡逼近于全局最優(yōu)點，但也可能陷入一些局部最優(yōu)，并且參數(shù)更新速度較慢。

自適應學習率設定有較好的效果。

6）收斂條件

有幾個條件可以作為停止訓練的判定條件，訓練誤差、誤差梯度、交叉驗證等。一般來說，訓練集的誤差會隨著網(wǎng)絡訓練的進行而逐步降低。

7）訓練方式

訓練樣例可以有兩種基本的方式提供給網(wǎng)絡訓練使用，也可以是兩者的結(jié)合：逐個樣例訓練（EET）、批量樣例訓練（BT）。

在EET中，先將第一個樣例提供給網(wǎng)絡，然后開始應用BP算法訓練網(wǎng)絡，直到訓練誤差降低到一個可以接受的范圍，或者進行了指定步驟的訓練次數(shù)。然后再將第二個樣例提供給網(wǎng)絡訓練。

EET的優(yōu)點是相對于BT只需要很少的存儲空間，并且有更好的隨機搜索能力，防止訓練過程陷入局部最小區(qū)域。

EET的缺點是如果網(wǎng)絡接收到的第一個樣例就是劣質(zhì)（有可能是噪音數(shù)據(jù)或者特征不明顯）的數(shù)據(jù)，可能使得網(wǎng)絡訓練過程朝著全局誤差最小化的反方向進行搜索。

相對的，BT方法是在所有訓練樣例都經(jīng)過網(wǎng)絡傳播后才更新一次權(quán)值，因此每一次學習周期就包含了所有的訓練樣例數(shù)據(jù)。

BT方法的缺點也很明顯，需要大量的存儲空間，而且相比EET更容易陷入局部最小區(qū)域。

而隨機訓練（ST）則是相對于EET和BT一種折衷的方法，ST和EET一樣也是一次只接受一個訓練樣例，但只進行一次BP算法并更新權(quán)值，然后接受下一個樣例重復同樣的步驟計算并更新權(quán)值，并且在接受訓練集最后一個樣例后，重新回到第一個樣例進行計算。

ST和EET相比，保留了隨機搜索的能力，同時又避免了訓練樣例中最開始幾個樣例如果出現(xiàn)劣質(zhì)數(shù)據(jù)對訓練過程的過度不良影響。