- 使用Fast.ai庫
這一條最爲簡單直接。
from fast.ai import *
Fast.ai庫 是一個新手友好型的深度學習工具箱，而且是目前復現最新算法的首要之選。
每當Fast.ai團隊及AI研究者發現一篇有趣論文時，會在各種數據集上進行測試，並確定合適的調優方法。他們會把 效果較好的模型實現 加入到這個函數庫中，用戶可以快速載入這些模型。
於是，Fast.ai庫成了一個功能強大的工具箱，能夠快速載入一些當前最新的算法實現，如帶重啓的隨機梯度下降算法、差分學習率和測試時增強等等，這裏不逐一提及了。
下面會分別介紹這些技術，並展示如何使用Fast.ai庫來快速使用它們。
這個函數庫是基於 PyTorch 構建，構建模型時可以流暢地使用。
- 使用多個而不是單一學習率
差分學習率 （Differential Learning rates）意味着在訓練時變換網絡層比提高網絡深度更重要。
基於已有模型來訓練深度學習網絡，這是一種被驗證過很可靠的方法，可以在計算機視覺任務中得到更好的效果。
大部分已有網絡（如Resnet、VGG和Inception等）都是在ImageNet數據集訓練的，因此我們要根據所用數據集 與ImageNet圖像的相似性 ，來適當改變網絡權重。
在修改這些權重時，我們通常要對模型的最後幾層進行修改，因爲這些層被用於檢測基本特徵（如邊緣和輪廓），不同數據集有着不同基本特徵。
首先，要使用Fast.ai庫來 獲得 預訓練的模型，代碼如下：
from fastai.conv_learner import *
import library for creating learning object for convolutional #networksmodel = VVG16()# assign model to resnet, vgg, or even your own custom modelPATH = './folder_containing_images' data = ImageClassifierData.from_paths(PATH)# create fast ai data object, in this method we use from_paths where # inside PATH each image class is separated into different folderslearn = ConvLearner.pretrained(model, data, precompute=True)# create a learn object to quickly utilise state of the art# techniques from the fast ai library
創建學習對象之後（learn object），通過 快速凍結 前面網絡層並 微調 後面網絡層來解決問題：
learn.freeze()
freeze layers up to the last one, so weights will not be updated.learning_rate = 0.1learn.fit(learning_rate, epochs=3)# train only the last layer for a few epochs
當後面網絡層產生了良好效果，我們會應用 差分學習率 來改變前面網絡層。在實際中，一般將學習率的縮小倍數設置爲 10 倍：
learn.unfreeze()
set requires_grads to be True for all layers, so they can be updatedlearning_rate = [0.001, 0.01, 0.1]# learning rate is set so that deepest third of layers have a rate of 0.001, # middle layers have a rate of 0.01, and final layers 0.1.learn.fit(learning_rate, epochs=3)# train model for three epoch with using differential learning rates
- 如何找到合適的學習率
學習率是神經網絡訓練中最重要的超參數，沒有之一，但之前在實際應用中很難爲神經網絡選擇最佳的學習率。
Leslie Smith的一篇 週期性學習率論文 發現了答案，這是一個相對不知名的發現，直到它被Fast.ai課程推廣後才逐漸被廣泛使用。
在這種方法中，我們嘗試使用較低學習率來訓練神經網絡，但是在每個批次中以指數形式增加，相應代碼如下：
learn.lr_find()
run on learn object where learning rate is increased exponentiallylearn.sched.plot_lr()# plot graph of learning rate against iterations
每次迭代後學習率以指數形式增長
同時，記錄每個學習率對應的Loss值，然後畫出學習率和Loss值的關係圖：
learn.sched.plot()
plots the loss against the learning rate
找出Loss值在下降但仍未穩定的點
通過找出學習率最高且Loss值仍在下降的值來確定最佳學習率。在上述情況中，該值將爲0.01。
- 餘弦退火
在採用 批次隨機梯度下降 算法時，神經網絡應該越來越接近Loss值的全局最小值。當它逐漸接近這個最小值時，學習率應該變得更小來使得模型不會超調且儘可能接近這一點。
餘弦退火（Cosine annealing）利用餘弦函數來 降低學習率 ，進而解決這個問題，如下圖所示：
餘弦值隨着x增大而減小
從上圖可以看出，隨着x的增加，餘弦值首先 緩慢 下降，然後 加速 下降， 再次緩慢 下降。這種下降模式能和學習率配合，以一種十分有效的計算方式來產生很好的效果。
learn.fit(0.1, 1)
Calling learn fit automatically takes advantage of cosine annealing
我們可以用Fast.ai庫中的 learn.fit() 函數，來快速實現這個算法，在整個週期中不斷降低學習率，如下圖所示：
在一個需要200次迭代的週期中學習率不斷降低
同時，在這種方法基礎上，我們可以進一步引入重啓機制。
-
帶重啓的SGD算法
在訓練時， 梯度下降 算法可能陷入局部最小值，而不是全局最小值。陷入局部最小值的梯度下降算法
梯度下降算法可以通過 突然提高學習率 ，來“跳出”局部最小值並找到通向全局最小值的路徑。這種方式稱爲 帶重啓的 隨機梯度下降方法（stochastic gradient descent with restarts, SGDR ），這個方法在Loshchilov和Hutter的ICLR論文中展示出了很好的效果。
這篇論文是：
SGDR: Stochastic Gradient Descent with Warm Restarts
用Fast.ai庫可以快速導入SGDR算法。當調用learn.fit(learning_rate, epochs)函數時，學習率在每個週期開始時重置爲參數輸入時的初始值，然後像上面餘弦退火部分描述的那樣，逐漸減小。
每當學習率下降到最小點，在上圖中爲每100次迭代，我們稱爲一個循環。
cycle_len = 1
decide how many epochs it takes for the learning rate to fall to# its minimum point. In this case, 1 epochcycle_mult=2# at the end of each cycle, multiply the cycle_len value by 2learn.fit(0.1, 3, cycle_len=2, cycle_mult=2)# in this case there will be three restarts. The first time with# cycle_len of 1, so it will take 1 epoch to complete the cycle.# cycle_mult=2 so the next cycle with have a length of two epochs, # and the next four.
每個循環所包含的週期都是上一個循環的2倍
利用這些參數，和使用差分學習率，這些技巧是Fast.ai用戶在圖像分類問題上取得良好效果的關鍵。
- 人格化你的激活函數
Softmax只喜歡選擇一樣東西；
Sigmoid想知道你在[-1, 1]區間上的位置，並不關心你超出這些值後的增加量；
Relu是一名俱樂部保鏢，要將負數拒之門外。
……
以這種思路對待激活函數，看起來很愚蠢，但是 安排一個角色 後能確保把他們用到正確任務中。
正如fast.ai創始人Jeremy Howard指出，不少學術論文中也把Softmax函數用在多分類問題中。在DL學習過程中，我也看到它在論文和博客中多次使用不當。
- 遷移學習在NLP問題中非常有效
正如預訓練好的模型在計算機視覺任務中很有效一樣，已有研究表明，自然語言處理（NLP）模型也可以從這種方法中受益。
在Fast.ai第4課中，Jeremy Howard用遷移學習方法建立了一個模型，來判斷IMDB上的電影評論是積極的還是消極的。
這種方法的效果立竿見影，他所達到的準確率超過了Salesforce論文中展示的所有先前模型：
預先存在的架構提供了最先進的NLP性能
這個模型的關鍵在於先訓練模型來獲得對語言的一些理解，然後再使用這種預訓練好的模型作爲新模型的一部分來分析情緒。
爲了創建第一個模型，我們訓練了一個循環神經網絡（RNN）來預測文本序列中的下個單詞，這稱爲 語言建模 。當訓練後網絡的準確率達到一定值，它對每個單詞的編碼模式就會傳遞給用於情感分析的新模型。
在上面的例子中，我們看到這個語言模型與另一個模型集成後用於情感分析，但是這種方法可以應用到 其他任何NLP任務 中，包括 翻譯 和 數據提取 。
而且，計算機視覺中的一些技巧，也同樣適用於此，如上面提到的凍結網絡層和使用差分學習率，在這裏也能取得更好的效果。
這種方法在NLP任務上的使用涉及很多細節，這裏就不貼出代碼了，可訪問相應課程和代碼。
- 深度學習在處理結構化數據上的優勢
Fast.ai課程中展示了深度學習在處理結構化數據上的突出表現，且無需藉助特徵工程以及領域內的特定知識。
這個庫充分利用了PyTorch中 embedding 函數，允許將 分類變量 快速轉換爲嵌入矩陣。
他們展示出的技術比較簡單直接，只需將分類變量轉換爲數字，然後爲每個值分配嵌入向量：
一週中的每一天都嵌入了四個值
在這類任務上，傳統做法是創建虛擬變量，即進行一次熱編碼。與之相比，這種方式的優點是用四個數值代替一個數值來描述每一天，因此可獲得更高的數據維度和更豐富的關係。
這種方法在Rossman Kaggle比賽中獲得第三名，惜敗於兩位利用專業知識來創建許多額外特徵的領域專家。
這種用深度學習來減少對特徵工程依賴的思路，也被Pinterest證實過。他也提到過，他們正努力通過深度學習模型，期望用更少的工作量來獲得更好的效果。
- 更多內置函數：Dropout層、尺寸設置、TTA
4月30日，Fast.ai團隊在斯坦福大學舉辦的DAWNBench競賽中，贏得了基於Imagenet和CIFAR10的分類任務。在Jeremy的奪冠總結中，他將這次成功歸功於fast.ai庫中的一些額外函數。
其中之一是 Dropout 層，由Geoffrey Hinton兩年前在一篇開創性的論文中提出。它最初很受歡迎，但在最近的計算機視覺論文中似乎有所忽略。
然而，PyTorch庫使它的實現變得很簡單，用Fast.ai庫加載它就更容易了。
Dropout函數能 減弱過擬合 效應，因此要在CIFAR-10這樣一個相對較小的數據集上取勝，這點很重要。在創建learn對象時，Fast.ai庫會自動加入dropout函數，同時可使用ps變量來修改參數，如下所示：
learn = ConvLearner.pretrained(model, data, ps=0.5, precompute=True)
creates a dropout of 0.5 (i.e. half the activations) on test dataset. # This is automatically turned off for the validation set
有一種很簡單有效的方法，經常用來處理過擬合效應和提高準確性，它就是 訓練小尺寸圖像 ，然後 增大尺寸 並 再次訓練 相同模型。
create a data object with images of sz * sz pixels
def get_data(sz): tmfs = tfms_from_model(model, sz) # tells what size images should be, additional transformations such # image flips and zooms can easily be added here too data = ImageClassifierData.from_paths(PATH, tfms=tfms) # creates fastai data object of create size return datalearn.set_data(get_data(299))# changes the data in the learn object to be images of size 299# without changing the model.learn.fit(0.1, 3)# train for a few epochs on larger versions of images, avoiding overfitting
還有一種先進技巧，可將準確率提高若干個百分點，它就是 測試時增強 （test time augmentation, TTA ）。這裏會爲原始圖像造出多個不同版本，包括不同區域裁剪和更改縮放程度等，並將它們輸入到模型中；然後對多個版本進行計算得到平均輸出，作爲圖像的最終輸出分數，可調用learn.TTA()來使用該算法。
preds, target = learn.TTA()
這種技術很有效，因爲原始圖像顯示的區域可能會缺少一些重要特徵，在模型中輸入圖像的多個版本並取平均值，能解決上述問題。
- 創新力很關鍵
在DAWNBench比賽中，Fast.ai團隊提出的模型不僅速度最快，而且計算成本低。要明白，要構建成功的DL應用，不只是一個利用大量GPU資源的計算任務，而應該是一個需要創造力、直覺和創新力的問題。
本文中討論的一些突破，包括Dropout層、餘弦退火和帶重啓的SGD方法等，實際上是研究者針對一些問題想到的不同解決方式。與簡單地增大訓練數據集相比，能 更好地提升準確率 。
硅谷的很多大公司有大量GPU資源，但是，不要認爲他們的先進效果遙不可及，你也能靠創新力提出一些新思路，來挑戰效果排行榜。
事實上，有時計算力的侷限也是一種機會，因爲需求是創新的動力源泉。
| Column 1 | Column 2 | Column 3 |
|---|---|---|
| Text | Text | Text |