7个实用技巧,让您的深度神经网络发挥最大作用

7个实用技巧，让您的深度神经网络发挥最大作用

深度学习已经成为解决许多具有挑战性的现实世界问题的方法。对目标检测，语音识别和语言翻译来说，这是迄今为止表现最好的方法。许多人将深度神经网络（DNNs）视为神奇的黑盒子，我们放进去一堆数据，出来的就是我们的解决方案！事实上，事情没那么简单。

在设计和应用DNN到一个特定的问题上可能会遇到很多挑战。为了达到现实世界应用所需的性能标准，对数据准备，网络设计，训练和推断等各个阶段的正确设计和执行至关重要。在这里，我将与大家分享7个实用技巧，让您的深度神经网络发挥最大作用。

1 - 数据，数据，数据

这不是一个大秘密。一直工作得很好的深度学习机器需要燃料- 大量的燃料; 燃料是数据。我们拥有的标记数据越多，模型的表现就越好。更多的数据导致更好的性能，已经由谷歌大规模的探索3亿图像的数据集印证！

在实际应用中部署Deep Learning模型时，您应该不断地为其提供更多的数据和微调以继续提高其性能。喂饱怪兽：如果你想提高你的模型的性能，那就获得更多的数据！

不断增加的数据产生更好的性能

2 - 你应该使用哪个优化器？

多年来，已经开发了许多梯度下降优化算法，各有其优缺点。一些最流行的包括：

·随机梯度下降（SGD）+动量方法

·Adam

·RMSprop

·Adadelta

RMSprop，Adadelta和Adam被认为是自适应优化算法，因为它们会自动更新学习速率。使用SGD时，您必须手动选择学习率和动量参数，通常会随着时间的推移而降低学习率。在实践中，自适应优化器倾向于比SGD更快地收敛，然而，他们的最终表现通常稍差。