背景：

介绍超参数调试和处理

1-超参数调试

相比于早期那种参数较少的情况，可以用网格状的数值划分来做数值的遍历，来获取最优参数。但是在深度学习领域，我们一般是采用随机化的方式进行参数的尝试。

如上图的网格状选取参数其实只能分别在固定在5个值范围内，在我们尚未知晓哪个参数更为重要的前提下是不明智的。此时，我们如果采用右图的随机取值方式，在取值都是25个的情况下，我们获取的是25个的参数1和25个的参数2。比如其中一个参数是学习率$\alpha$，另一个是$\epsilon$，左图仅仅尝试了5个$\alpha$，而右图尝试了25个$\alpha$值，更能找到最合适的$\alpha$。
对于多更多的超参数，其参数的搜索空间是高纬度的，同理也是采用随机取值的方式，进而提高搜索效率。

另外一种方式是先粗糙再精细的搜索方式。在上述的随机取值后，我们会发现某些区域的取值效果更好，那么我们在这个区域进行细化取值，更加密集地取值。

2-选择合适范围的超参数

之前说的随机取值，并不是在有效值范围内的随机均匀取值，而是选择合适的标尺之后的均匀取值。
对于神经网络中某层中的神经元个数，我们可以在一定范围内，比如20~40进行均匀搜索；再或者对于神经网络的层数，我们同样可以在一定范围内，如2~5内进行均匀搜索。但是对于有些参数则不适用。
比如学习率$\alpha$，假设我们设置其最小值0.0001，其最大值是1，即搜索范围（0.0001，1）。如果真的沿着这个轴向范围内的随机取值的化，那么其实有90%概率，这个值也是在（0.1，1）之间的，而在（0.0001， 0.1）之间只占用了10%的搜索资源。此时采用对数标尺搜索超参数会更加合理。分别在轴上设置点0.0001,0.001,0.01,0.1和1作，在对数轴上再均匀取点。

Python实现：

r=-4 * np.random.rand()#此时r取值范围是[-4,0]
alpha=np.power(10,r)#即alpha=10^r,所以alpha取值范围是[10^-4,10^0]

如果在10^a和10^b之间取值，对于上述例子，此时的$a=\log_{10}(0.0001)=-4，b=\log_{10}(1)=0$。那么我们就可以在[a,b]之间随机均匀取地给r取值，进而获得$\alpha=10^r$。我们是将在$10^a$和$10^b$区间的取值转为对数轴上a和b之间的随意均匀取r值。

对于计算指数加权平均值时用到的超参数$\beta$值，我们假设$\beta$在[0.9，0.999]之间，此时可以通过$1-\beta$进行转化，$1-\beta$的值域在[0.001， 0.1]，就可以用上述的方式，转为在[-3,1]之间的随机均匀取r值问题。在通过$1-\beta=10^r$取出$\beta$值。

当$\beta$接近1时，所得结果的敏感度会变化，即使$\beta$变化很微小。比如，$\beta$从0.9000变化为0.9005，那么其实结果上不会有什么变化，但是如果$\beta$是从0.999变成0.9995，则将对算法产生巨大影响。按照指数加权平均值的理解，前者是根据大概10个值的平均，后者则是从大概1000个值（相对于0.999）的平均，变化到大概2000个值（相对于0.9995）的平均。所依据的公式是1/(1-$\beta$)。所以，当$\beta$接近1，其结果值变化就很敏感。所以，在$\beta$接近1的时候，需要更加密集地取值。对于$1-\beta$则是接近0的时候敏感，同理。

3 Batch归一化

Batch归一化是为了使参数的搜索简单化而提出的。
对于逻辑回归模型，我们对输入进行归一化处理：
μ=1m∑m@H_301_822@i=1x(i) $\mu=\frac{1}{m}\sum_{i=1}^{m}x^{(i)}$
$X=X-\mu$
$\sigma^2=\frac{1}{m}\sum_{i=1}^{m}x^{(i)^2}$
$X=X/\sigma^2$
对于多层的神经网络的化：
除了输入层，还有每层的激活值$a^{[i]}$。我们希望在前层输入到下一层，作为输入时候，能够做一次归一化处理，使得下层的参数W和b训练更有意义。所以，我们要做的是归一化隐藏层的$a^{[i]}$。究竟是选择归一化$z^{[i]}$还是归一化$a^{[i]}$，在学界是有讨论的。但是在实际使用过程中，我们一般是归一化 z[i@H_865_1301@] $z^{[i]}$，而不是$a^{[i]}$。

当有L个隐藏层时，隐藏单元分别是 z[1].@H_884_1404@....z[L] $z^{[1]}.....z^{[L]}$，以$z^{[l](i)}$表示l层的激活值。对于l层，我们简写为$z^{(1)}.....z^{(i)}$，不再标注层号。
归一化方法：
$\mu=\frac{1}{m}\sum_{i=1}^{m}z^{(i)}$
$\sigma^2=\frac{1}{m}\sum_{i=1}^{m}(z^{(i)}-\mu)^2$
$z_{norm}^{(i)}=\frac{z^{(i)}-\mu}{\sqrt{\sigma^2+\epsilon}}$
为了使数值稳定，一般分母常常加一个$\epsilon$，防止$\sigma=0$的情况。
归一化的结果是均值0，标准单位方差，所以z的每个分量均值是0，方差是1。
但是我们不想隐藏单元都是总是均值是0，方差是1，也许隐藏单元有了不同分布，会有意义。所以，我们计算：
$\tilde{z}^{(i)}=\gamma z_{norm}^{(i)} + \beta$
这里的$\gamma$和$\beta$是模型的学习参数，所以在使用梯度下降的过程或者其他算法更新参数的时候，需要对$\gamma$和$\beta$进行更新。由于$\gamma$和$\beta$的作用，我们可以随意设置$\tilde{z}$的平均值。如果 @H_404_2362@γ=σ2+ϵ@H_73_2403@−−−−−√，β=μ $\gamma=\sqrt{\sigma^2+\epsilon}，\beta=\mu$那么 γz(i)@H_630_2502@norm+β $\gamma z_{norm}^{(i)} + \beta$会精确转化方程：$\tilde{z}^{(i)}=z^{(i)}$
通过对$\gamma$和$\beta$的合理设定，实现归一化的时候，可以构造含有其他均值和方差的隐藏单元值。
用$\tilde{z}^{(i)}取代z^{(i)}$做后续的运算。

batch归一化仅仅适用于输入层还适用于隐藏层。输入层和隐藏层的归一化区别是，对于隐藏层，我们不想其均值一定是0，方差是1。比如对于激活函数是sigmoid，我们不想值都集中在某个局部，而是希望它有更大的方差或者不是0的均值，以便更好地使用非线性的sigmoid函数。否则，0均值和1方差，则值都集中在sigmoid函数的线性部分。 @H_301_2792@γ $\gamma$和$\beta$控制之后，就可以不用是0均值和1方差了。