21年9月6日———有关深度学习的Tips
**在训练的结果中，训练集和测试集都可能不会达到预期的结果，对于训练集结果不好的原因有:
1.模型的架构有问题
2.学习率的问题
而对于测试集可能的原因是：
1.早停
2.正则化
3.Dropout
**
首先针对训练集中模型的架构有问题进行解析：
那么首先要知道一个现象叫做Vanishing Gradient Problem
意思是说，因为sigmoid函数的存在，导致输入的变化并不会产生线性的输出变化（输出的变化率低于输入的变化率），如图所示：
因此在多层的情况下，第一层很大变化的w对输出的影响是很小的，根据这个理念，
第一层的梯度是非常小的（因为经过了很多歌sigmoid），而最后一层的梯度会是最大的（因为只经过了一个sigmoid），那么因此可见，在多层的情况下，输入对输出的影响非常小！
为了改善这个情况，因为原因就出在sigmoid函数上，所以提出改良激活函数ReLU！
ReLU全称为Rectified Linear Unit，整流线性单元。
在p14视频里有讲解有关ReLU和Maxout之间的关系（ReLU是Maxout的特殊情况），那么Maxout这个算法就是说每层中间，
一对输出里只保留最大的那一个，较小的那个被舍弃
那么综上，解决Vanishing Gradient Problem的方法就是使用ReLU，有关改善深度学习模型架构的介绍就到此为止。
接下里介绍训练集中出现的学习率的问题，提出自适应学习率
略，主要讲解Adam算法
对于测试集出现未达到预期效果的解释
对于早停和正则化的概念于书本P107页有解释，略写
着重解释Dropout
如上图，在训练的时候，按照p%的概率去舍弃一部分神经元，用这个新的神经网络去训练数据。因此用这个方法去训练的时候效果是会变差的，因为舍弃了一部分神经元，但是它能让测试结果变得更好，是一种非常之有效消除过拟合的方法。
但是注意，在测试时，是不做Dropout的！
并且如果Dropout率是p%，那么要对所有的权重乘上（1-p）%
那么对这个测试结果会变得更好的解释是：
一群学生，只有个几个再好好做项目，而剩下的并没有好好做（神经元被Dropout了），因此在做项目的几个人就会carry，但是在真正测试的时候，大家都在好好做了，因此就能得到更好的数据结果。
而为什么
Dropout率是p%，那么要对所有的权重乘上（1-p）%
这是一种解释，会显得比较牵强，网上还有其他的说法，值得一看。