一个案例掌握深度学习

人工智能越来越火，甚至成了日常生活无处不在的要素。人工智能是什么？深度学习、机器学习又与人工智能有什么关系？作为开发者如何进入人工智能领域？近期我们将连载一个深度学习专题，由百度深度学习技术平台部主任架构师毕然分享，让你快速入门深度学习，参与到人工智能浪潮中。从本专题中，你将学习到：

1. 深度学习基础知识
2. Numpy实现神经网络构建和梯度下降算法
3. 计算机视觉领域主要方向的原理、实践
4. 自然语言处理领域主要方向的原理、实践
5. 个性化推荐算法的原理、实践

这是本系列第二篇，总结了视频分享中的要点，感兴趣的读者可以阅读原文直接观看。以案例演示，介绍如何从初步建模的baseline出发，在建模的每个步骤寻求优化思路，此次案例适用于将房价预测任务的线性回归模型，挪用到手写数字识别任务后，如何一步步地进行优化，实现最好的分类效果。本文内容主要包括：

1. 数据处理和异步数据读取
2. 网络结构设计及背后思想
3. 损失函数介绍及使用方式
4. 模型优化算法介绍和选择
5. 分布式训练方法及实践
6. 模型训练调试与优化
7. 训练中断后恢复训练

涵盖了深度学习的数据处理、模型设计、模型训练与模型优化等部分，如下图所示，另外扩展了异步数据读取、分布式训练与恢复训练等知识点。
第一节：数据处理与数据读取
深度学习算法工程师多被称为“炼丹师”，训练深度学习模型则等同于“炼丹”。殊不知，在炼丹之前，重要的一步就是“采药”。采药是炼丹的第一步，同训练深度模型需要准备训练数据。
官方给出的数据集比如ImageNet、MSCOCO与VOC等，这些数据都比较干净，没有标注错误或者漏标注的问题。但是如果是自己的业务数据集，数据可能存在各种问题，需要自己去实现数据处理的函数，构建数据读取器。以本地读取的mnist数据集为例，会涉及代码实现以下几个方面：

1. 从文件中读取到数据；
2. 划分数据集为训练集，验证集；
3. 构建数据读取器（data_loader）

图：mnist数据处理不同的数据保存的文件格式和存储形式不尽相同，正确读到数据往往是开始训练的第一步。
第二节：神经网络模型设计
了解一下深度神经网络的设计原理。
深度神经网络相比较浅层深度神经网络的区别是：网络足够深，足够复杂，非线性程度更高。复杂的模型可以拟合更复杂的函数，对现实世界的表征能力也会增强。非线性程度的增加通过模型的深度和非线性函数来实现，如果没有非线性函数，即使最深的神经网络也只不过是一种线性函数表达。组建网络时，一般考虑到训练数据的数量，决定设计模型的复杂度，如果训练数据不足，很难把一个参数众多的模型训练好。如何设计深度神经网络？神经网络的基本层不外乎全连接层FC，卷积层CNN，循环神经网络RNN。不同的网络层有不同的适应任务，比如，CNN适合处理2D图像数据，CNN能更好的捕捉到空间位置信息，这是FC和LSTM顾及不到的，但是LSTM和FC也有其应用的场景。

图：卷积网络模型示意图
第三节：损失函数介绍
通过演示在mnist分类任务上使用均方误差损失函数，得出了两个结论：

1. 回归任务的损失函数难以在分类任务上取得较好精度。
2. loss值较大，训练过程中loss波动明显。

所以，这里引出一个疑问？为什么分类任务用均方误差为何不合适？答案是：

1. 物理含义不合理：实数输出和标签相减
2. 分类任务本质规律是“在某种特征组合下的分类概率”

分类任务背后是概率的思想，可以从黑盒中取黑白球的概率为例为了解最大似然的思想：

图：抽取黑白球到最大似然概率

图：损失函数代码实现
第四节：优化算法与学习率
神经网络所拟合的函数是高度非凸函数，理想的训练目标是，优化这类函数，达到函数最小值点或接近最小值的极小值点。本部分课程中，毕老师带代价讨论优化器和学习率对训练神经网络的影响，并教大家如何选取最优的学习率和优化器。

学习率的选择

在深度学习神经网络模型中，学习率代表参数更新幅度的大小。当学习率最优时，模型的有效容量最大。学习率设置和当前深度学习任务有关，合适的学习率往往需要调参经验和大量的实验，总结来说，学习率选取需要注意以下两点：

• 学习率不是越小越好。学习率越小，损失函数的变化速度越慢，意味着我们需要花费更长的时间进行收敛。
• 学习率不是越大越好。因为只根据总样本集中的一个批次计算梯度，抽样误差会导致计算出的梯度不是全局最优的方向，且存在波动。同时，在接近最优解时，过大的学习率会导致参数在最优解附近震荡，导致损失难以收敛。

图: 不同大小学习率对到达最小值的影响

优化器的选择

学习率是优化器的一个参数，虽然参数更新都是采用梯度下降算法，但是不同的梯度下降算法影响着神经网络的收敛效果。当随机梯度下降算法SGD无法满足我们的需求时，可以尝试如下三个思路选取优化器：

1、加入“动量”，参数更新的方向更稳定，比如Momentum优化器。每个批次的数据含有抽样误差，导致梯度更新的方向波动较大。如果我们引入物理动量的概念，给梯度下降的过程加入一定的“惯性”累积，就可以减少更新路径上的震荡！即每次更新的梯度由“历史多次梯度的累积方向”和“当次梯度”加权相加得到。

历史多次梯度的累积方向往往是从全局视角更正确的方向，这与“惯性”的物理概念很像，也是为何其起名为“Momentum”的原因。类似不同品牌和材质的篮球有一定的重量差别，街头篮球队中的投手（擅长中远距离投篮）喜欢稍重篮球的比例较高。一个很重要的原因是，重的篮球惯性大，更不容易受到手势的小幅变形或风吹的影响。

2、根据不同参数距离最优解的远近，动态调整学习率，比如AdaGrad优化器。通过调整学习率的实验可以发现：当某个参数的现值距离最优解较远时（表现为梯度的绝对值较大），我们期望参数更新的步长大一些，以便更快收敛到最优解。当某个参数的现值距离最优解较近时（表现为梯度的绝对值较小），我们期望参数的更新步长小一些，以便更精细的逼近最优解。

类似于打高尔夫球，专业运动员第一杆开球时，通常会大力打一个远球，让球尽量落在洞口附近。当第二杆面对离洞口较近的球时，他会更轻柔而细致的推杆，避免将球打飞。

与此类似，参数更新的步长应该随着优化过程逐渐减少，减少的程度与当前梯度的大小有关。根据这个思想编写的优化算法称为“AdaGrad”，Ada是Adaptive的缩写，表示“适应环境而变化”的意思。

3、因为上述两个优化思路是正交的，所以可以将两个思路结合起来，这就是当前广泛应用的Adam算法。
第五节：模型训练及分布式训练
此前或多或少介绍了如何训练神经网络，但没有涉及分布式训练的内容，这里介绍一下分布式训练的思想，尤其是数据并行的思想，并介绍如何增加三行代码使用飞桨实现多GPU训练。
分布式训练有两种实现模式：模型并行和数据并行。

模型并行

模型并行是将一个网络模型拆分为多份，拆分后的模型分到多个设备上（GPU）训练，每个设备的训练数据是相同的。模型并行的方式一般适用于：

1. 模型架构过大，完整的模型无法放入单个GPU。2012年ImageNet大赛的冠军模型AlexNet是模型并行的典型案例。由于当时GPU内存较小，单个GPU不足以承担AlexNet。研究者将AlexNet拆分为两部分放到两个GPU上并行训练。
2. 网络模型的设计结构可以并行化时，采用模型并行的方式。例如在计算机视觉目标检测任务中，一些模型（YOLO9000）的边界框回归和类别预测是独立的，可以将独立的部分分在不同的设备节点上完成分布式训练。

说明：当前GPU硬件技术快速发展，深度学习使用的主流GPU的内存已经足以满足大多数的网络模型需求，所以大多数情况下使用数据并行的方式。

数据并行

数据并行与模型并行不同，数据并行每次读取多份数据，读取到的数据输入给多个设备（GPU）上的模型，每个设备上的模型是完全相同的。数据并行的方式与众人拾柴火焰高的道理类似，如果把训练数据比喻为砖头，把一个设备（GPU）比喻为一个人，那单GPU训练就是一个人在搬砖，多GPU训练就是多个人同时搬砖，每次搬砖的数量倍数增加，效率呈倍数提升。但是注意到，每个设备的模型是完全相同的，但是输入数据不同，每个设备的模型计算出的梯度是不同的，如果每个设备的梯度更新当前设备的模型就会导致下次训练时，每个模型的参数都不同了，所以我们还需要一个梯度同步机制，保证每个设备的梯度是完全相同的。数据并行中有一个参数管理服务器（parameter server）收集来自每个设备的梯度更新信息，并计算出一个全局的梯度更新。当参数管理服务器收到来自训练设备的梯度更新请求时，统一更新模型的梯度。用户只需要对程序进行简单修改，即可实现在多GPU上并行训练。飞桨采用数据并行的实现方式，在训练前，需要配置如下参数：

• 1.从环境变量获取设备的ID，并指定给CUDAPlace

device_id = fluid.dygraph.parallel.Env().dev_id place = fluid.CUDAPlace(device_id)

• 2.对定义的网络做预处理，设置为并行模式

strategy = fluid.dygraph.parallel.prepare_context() ## 新增 model = MNIST("mnist") model = fluid.dygraph.parallel.DataParallel(model, strategy) ## 新增

• 3.定义多GPU训练的reader，将每批次的数据平分到每个GPU上

valid_loader = paddle.batch(paddle.dataset.mnist.test(), batch_size=16, drop_last=true) valid_loader = fluid.contrib.reader.distributed_batch_reader(valid_loader)

• 4.收集每批次训练数据的loss，并聚合参数的梯度

avg_loss = mnist.scale_loss(avg_loss) ## 新增 avg_loss.backward() mnist.apply_collective_grads() ## 新增

第六节：训练调试与优化
在模型训练部分，为了保证模型的真实效果，需要对模型进行一些调试和优化：

• 计算分类准确率，观测模型训练效果。

  交叉熵损失函数只能作为优化目标，无法直接准确衡量模型的训练效果。准确率可以直接衡量训练效果，但由于其离散性质，不适合做为损失函数优化神经网络。
• 检查模型训练过程，识别潜在问题。

  如果模型的损失或者评估指标表现异常，我们通常需要打印模型每一层的输入和输出来定位问题，分析每一层的内容来获取错误的原因。
• 加入校验或测试，更好评价模型效果。

  理想的模型训练结果是在训练集和验证集上均有较高的准确率，如果训练集上的准确率高于验证集，说明网络训练程度不够；如果验证集的准确率高于训练集，可能是发生了过拟合现象。通过在优化目标中加入正则化项的办法，可以解决过拟合的问题。
• 加入正则化项，避免模型过拟合。
• 可视化分析。

  用户不仅可以通过打印或使用matplotlib库作图，飞桨还集成了更专业的第三方绘图库tb-paddle，提供便捷的可视化分析。

第七节：恢复训练
此前已经介绍了将训练好的模型保存到磁盘文件的方法。应用程序可以随时加载模型，完成预测任务。但是在日常训练工作中我们会遇到一些突发情况，导致训练过程主动或被动的中断。如果训练一个模型需要花费几天的训练时间，中断后从初始状态重新训练是不可接受的。
不过飞桨等工具支持从上一次保存状态继续训练，只要我们随时保存训练过程中的模型状态，就不用从初始状态重新训练。飞桨保存模型的代码如下：

# 保存模型参数和优化器的参数 fluid.save_dygraph(model.state_dict(), './checkpoint/mnist_epoch{}'.format(epoch_id)) fluid.save_dygraph(optimizer.state_dict(), './checkpoint/mnist_epoch{}'.format(epoch_id))

训练不仅保存模型参数，而且保存优化器、学习率有关的参数，比如Adam, Adagrad优化器在训练时会创建一些新的变量辅助训练；动态变化的学习率需要保存训练停止时的训练步数。这些参数对于恢复训练至关重要。恢复训练只需要恢复保存的模型和优化器相关参数即可。

# 加载模型参数到模型中 params_dict, opt_dict = fluid.load_dygraph(params_path) model = MNIST("mnist") model.load_dict(params_dict)
# 使用Adam优化器,并加载保存的Adam优化器相关参数 optimizer = fluid.optimizer.AdamOptimizer(learning_rate=lr) optimizer.set_dict(opt_dict)

推荐阅读