在课堂上学习cs231n的知识，外加上对于神的调参的学习甚少。（平时只是在学习算法和网络；用的时候才看一看）

所以在此将站在“巨人”的肩膀上，看一看调参的经验都有哪些。方便拓展下思维和为后来提高训练精度、突破训练瓶颈做好准备/

激活函数使用

sigmoid-tanh-ReLU（ ReLU，LeakyReLU，ELU ） - MaxOut<类似relu以及诡异华中参数学习.>

• 如标题所示，介绍了 激活函数一步步的发展过程（因为出现了什么问题，继而提出了什么解决方案和激活函数）。提高了多少性能，优点是什么、存在的问题又是什么等。

建议

数据预处理(Data Preprocessing)

• 首先介绍零均值归一化
• 然后介绍降维
• 最后进行总结 – 给出相应的建议.

权重初始化

权重初始化研究——所有层激活输出，随着层数越深，激活数值越趋向于零

激活无修饰权重初始化：

tanh() 和 ReLU() 激活权重初始化方法<相应的论文给出了方法>

更多适合的权重初始化研究论文

BatchNormalization（批量标准化）–对比LN\IN\GN

批量标准化–BN

---

• 可以看到，由标准化的x得到第二层的输入h1的时候，经历了如下的步骤：
  1、第一层的权重项w 和 输入x想成，得到s1
  2、对s1进行0-1均值方差标准化，得到s2
  3、设置两个参数γ 和 β ，计算γ * s2 + β 得到s3。注意，这里的γ 和 β是网络要学习的变量。
  4、将s3经过激活函数激活之后得到h1

• 优点：
  (1) 加速收敛速度
  (2) 在一定程度上防止梯度爆炸

• 缺点：
  (1) 依赖于batch size
  (2) 只对批输入的数据有效。eg:训练集
  (3) 对于处理序列化数据无效，因为序列数据间存在一定关系，另外要计算一个维度上的标准化不合理。

具体来看有以下几个方面：

---

LayerNorm + InstanceNorm + GroupNorm

注意区分：BN和LN ，参考： BatchNormalization、LayerNormalization、InstanceNorm、GroupNorm、SwitchableNorm总结

• 直观区别：
  
  batch是“竖”着来的，各个维度做归一化，所以与batch size有关系。
  layer是“横”着来的，对一个样本，不同的神经元neuron间做归一化。

  显示了同一层的神经元的情况。假设这个mini-batch一共有N个样本，则Batch Normalization是对每一个维度进行归一。而Layer Normalization对于单个的样本就可以处理。

  bn和ln都可以比较好的抑制梯度消失和梯度爆炸的情况。

• BN和LN主要区别为：

1. LN中同层神经元输入拥有相同的均值和方差，不同的输入样本有不同的均值和方差；
2. BN中则针对不同神经元输入计算均值和方差，同一个batch中的输入拥有相同的均值和方差。

所以，LN不依赖于batch的大小和输入sequence的深度，因此可以用于batchsize为1和RNN中对边长的输入sequence的normalize操作。

• IN针对图像迁移、图像风格化
  BN注重对每个batch进行归一化，保证数据分布一致，因为判别模型中结果取决于数据整体分布。

  但是图像风格化中，生成结果主要依赖于某个图像实例，所以对整个batch归一化不适合图像风格化中，因而对HW做归一化。可以加速模型收敛，并且保持每个图像实例之间的独立。

• GN
  主要是针对Batch Normalization对小batchsize效果差，GN将channel方向分group，然后每个group内做归一化，算(C//G)HW的均值，这样与batchsize无关，不受其约束。

• 具体来看：

---

总结 – 四种使用方法对比 + 使用情况

归一化层，目前主要有这几个方法，Batch Normalization（2015年）、Layer Normalization（2016年）、Instance Normalization（2017年）、Group Normalization（2018年）Switchable Normalization（2018年）；

将输入的图像shape记为[N, C, H, W]，这几个方法主要的区别就是在，

• batchNorm是在batch上，对NHW做归一化，对小batchsize效果不好；
• layerNorm在通道方向上，对CHW归一化，主要对RNN作用明显；
• instanceNorm在图像像素上，对HW做归一化，用在风格化迁移；
• GroupNorm将channel分组，然后再做归一化；