深度学习不work?看看这份超全的Debug检查清单

共 2959字,需浏览 6分钟

 ·

2022-05-20 14:03

点击上方小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达

来自 | 知乎    作者 | MrPhD

编辑 | 深度学习这件小事

链接 | https://zhuanlan.zhihu.com/p/89566632

本文仅供交流,如有侵权,请联系删除

前言:本笔记是对keynote“Troubleshooting Deep Neural Networks”的总结。
keynote来源:
http://josh-tobin.com/troubleshooting-deep-neural-networks

 

为什么需要讨论DL Troubleshooting?


80%-90%时间用于debug和tune,10%-20%时间用于推导数学或者实现。


模型为什么会表现糟糕?


  • 实现时的bug,很多深度学习bug不可见,比如模型label顺序错误

  • 超参数选择,因为模型对超参数比较敏感




  • 数据/模型拟合



  • 数据集创建,常见问题如下:

    • 没有足够数据

    • 类别不平衡

    • 噪声标签

    • 训练和测试的分布不同


 
DL Troubleshooting策略


  1 Start simple  

尽可能使用最简单的模型和数据,比如在数据的一个子集上使用LeNet


  • 选择简单结构



  • 使用sensible配置



  • 对输入归一化



  • 简化问题

    • 使用更小的训练数据

    • 使用更小的图像尺寸

    • 创建一个更简单的合成训练集







 2-Implement & debug 

使得模型在一个batch上过拟合或者复现已知结果



最常见的5种深度学习bug:





Step A: Get your model to run

常见问题及解决方法:

  • shape mismatch、casting issue等,可以在模型创建阶段使用调试器逐步调试,具体地,shape mismatch可能存在未定义形状、错误形状等问题,比如在错误维度求和、取平均等、忘记在卷积层后flatten张量等;casting issue中常见问题:没有将图像从uint8转换到float32等。

  • Out of Memory,逐一去除内存密集型操作,具体地,常见问题如下:tensor过大(batch size过大或者太大的全连接层)、数据过多(将太大的数据集加载到内存中或为数据集创建分配了太大的缓冲区)、拷贝错误(由于在同一会话中创建多个模型而导致的内存泄漏、重复创建操作(例如,在一次又一次调用的函数中))


Step B: Overfit a single batch

常见问题:

  • error上升:损失函数的符号错误、学习率太高、softmax使用在错误维度

  • error爆炸:数值问题、学习率太低

  • error震荡:数据或者标签有误、学习率太低

  • error不动:学习率太低、梯度没有在整个模型传播、过分正则化、损失函数的输入错误、数据或者标签有误


Step C: Compare to a known result

  • 在相似数据集上评估官方提供的模型实现

  • 在benchmark上评估官方提供的模型实现

  • 非官方模型实现

  • 参考文章结果(没有代码)

  • 自己代码实现在benchmark上的结果

  • 相似模型在相似数据集上的结果

  • 非常简单的baseline,如线性回归


  3-Evaluate  

使用bias-variance decomposition决定下一步措施


Test error = irreducible error + bias + variance (+ distribution shift) + val overfitting (train, val, and test all come from the same distribution)

 4-Improve model/data 

如果欠拟合,使得模型更大;如果过拟合,增加数据或者添加正则化


解决欠拟合(使用顺序由上到低下):

  • 使得模型变大,比如增加层数或者在每层中使用更多单元

  • 减少正则化

  • 错误分析

  • 选择一个不同结构

  • 调整超参数

  • 增加特征


解决过拟合(使用顺序由上到低下):

  • 增加更多数据

  • 增加归一化

  • 数据增强

  • 增加正则化(如dropout、L2、weight decay)

  • 错误分析

  • 使用一个不同结构

  • 调整超参数

  • 及时停止

  • 去除特征

  • 减少模型大小


解决分布转换(distribution shift):

  • 分析测试-验证集错误 & 收集更多训练数据

  • 分析测验-验证集错误 & 合成更多训练数据

  • 使用领域适应改变训练和测试分布(领域适应,使用未标注数据或者有限的标注数据,将source上的训练结果泛化到target上)


平衡数据集

如果验证集上的结果好于测试结果,在验证集上过拟合。上述情况通常发生在小验证集上或者大规模超参数调整

 5-hype-parameters 


由粗到细地随机搜索


超参数优化面临如下问题:

网络:多少层?如何参数初始化?卷积核大小?
优化器:batch size?学习率?beta1,beta 2?
正则化:?

方法1:人工选择超参数

  • 需要理解算法,训练/评估网络,猜测一个更好的超参数值/重新评估,可以和其他方法相结合。

  • 优点:对于经验丰富的专家,消耗非常小的计算量得到好结果

  • 缺点:需要对算法有很深的见解、非常耗时


方法2:网格搜索


  • 优点:实现非常简单、能够产生好结果

  • 缺点:不高效、需要先验知识


方法3:随机搜索

方法4:由粗到细搜索

  • 先在大区域中找到使得结果比较好的子区域,重复上述过程

  • 优点:可以缩小非常高性能的超参数、实际使用最多的方法

  • 缺点:somewhat manual process


方法5:贝叶斯方法

  • 从预先估计参数分布开始,包含超参数值与模型性能之间关系的概率模型,交替如下过程:使用最大化期望结果对应的超参数值进行训练,根据训练结果更新概率模型

  • 优点:最高效的hand-off方法以选择超参数

  • 缺点:从头开始难以实施、很难与现成的工具集成

 

结论


  • 由于错误种类多,深度学习debugging困难

  • 为了训练一个没有bug的深度学习模型,需要将构造模型看作一个迭代过程


下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲
小白学视觉公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲
小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群


欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~


浏览 27
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报