HALCON 20.11：深度学习笔记(5)

HALCON 20.11.0.0中，实现了深度学习方法。关于超参数的有关设置内容如下：

不同的DL方法被设计用于不同的任务，它们的构建方式也会有所不同。它们都有一个共同点，即在模型的训练过程中都面临着一个最小化问题。

训练网络或子网络，一个目标是努力使适当的损失函数最小化，参见“网络和训练过程”一节。

为此，有一组进一步的参数，这些参数是在开始训练之前设置的，在训练期间未进行优化。我们将这些参数称为超参数。

对于DL模型，您可以设置更改策略，指定您希望在培训期间何时以及如何更改这些超参数。

在本节中，我们将解释不同超参数的概念。注意，某些方法有额外的超参数，你可以在它们各自的章节中找到更多的信息。

如前所述，损失比较来自网络的预测与图像内容的给定信息。损失决定惩罚偏差。训练网络以这样的方式更新滤波器权值，使损失受到的惩罚更少，从而使损失结果得到优化。

为此，需要从训练数据集中获取一定数量的数据。对于这个子集，计算损失的梯度，并修改网络以更新其相应的滤波权重。

现在，对下一个数据子集重复这一过程，直到整个训练数据被处理。这些训练数据的子集被称为批，这些子集的大小，即“batch_size”，决定了一个批处理的数据数量，并作为结果一起处理。

对整个训练数据的完整迭代称为epoch。对训练数据进行多次迭代是有益的。迭代次数由“epochs”定义。因此，“epochs”决定了算法在训练集上循环多少次。

一些模型(如异常检测)一次训练使用整个数据集。对于其他模型，数据集按批处理，为了做到这一点，使用了随机梯度下降算法SGD（Stochastic Gradient Descent）。这涉及到更多的参数，将在下面解释。

在每次计算损失梯度后，滤波器权值被更新。

对于这个更新，有两个重要的超参数：

'learning_rate'，它决定更新的损失函数参数(过滤器权重)上的梯度的权重，以及间隔内的'momentum'，它指定以前更新的影响。更多信息可以在train_dl_model_batch的文档中找到。

简单地说，当我们更新损失函数参数时，我们仍然记得上次更新所采取的步骤。

现在，我们在梯度方向上迈出一步，其长度取决于学习速率；此外，我们重复上次所做的步骤，但这次只乘以上次的时间。

下图给出了可视化效果。学习率过大可能会导致算法发散，学习率过小则会花费不必要的多步。

因此，习惯上从一个较大的学习率开始，并在训练过程中潜在地降低它。对于动量，动量方法没有影响，所以只有梯度决定更新向量。

Sketch of the 'learning_rate' and the 'momentum' during an actualization step

The gradient step: the learning rate λ times the gradient g (λg - dashed lines)

The momentum step: the momentum λ times the previous update vector v (μv - dotted lines)

Together, they form the actual step: the update vector v (v - solid lines).

为了防止神经网络的过拟合(见下文“欠拟合和过拟合的风险”部分)，可以使用正则化。利用这种技术，在损失函数中添加了额外的一项。

一种可能的正则化类型是权重衰减，有关详细信息，请参阅train_dl_model_batch文档。

它的工作原理是惩罚较大的权重，即将权重推到零。简单地说，这种正则化倾向于更简单的模型，这些模型不太可能适应训练数据中的噪声，并能更好地泛化。

它可以通过超参数'weight_prior’进行设置。选择它的值需要权衡模型的泛化能力、过拟合能力和欠拟合能力。

如果'weight_prior’太小，模型可能会过度拟合，如果它太大，模型可能会失去很好地拟合数据的能力，因为所有权重实际上都是零。

除了训练数据和所有的超参数，还有许多不同的方面可以对这种复杂算法结果产生影响。

为了提高网络性能，通常添加训练数据也会有所帮助。

请注意，是否收集更多的数据是一个好的解决方案，也总是取决于简单模型是否难以实现。

通常，一个小的额外部分不会显著改变整体性能。