前言：
DNN 是神经网络的里面基础核心模型之一.这里面结合DNN 介绍一下如何解决
深度学习里面过拟合,欠拟合问题
目录：
- DNN 训练常见问题
- 过拟合处理
- 欠拟合处理
- keras 项目
一 DNN 训练常见问题
我们在深度学习网络训练的时候经常会遇到下面两类问题：
1： 训练集上面很差 ： 欠拟合
2： 训练集上面很好, 测试集上面很差： 过拟合
二 过拟合解决
|--------------------------------------|
| 过拟合解决方案 |
| 主要有以下三个处理思路 |
| 1 Early Stopped |
| 2 L1 L2 正规化 |
| 3 Dropout 4： 增加训练集上面的数据量 |
2.1 Early Stopping
方案
这个数据集分为3部分： Training Data,validation data,Test Data
1 将训练的数据分为Training Data 和validation data
2 每个epoch结束后（或每N个epoch后)：计算validation data 的 accuracy
3: 更新 最优 validation data accuracy 对应的网络参数
3 随着epoch的增加，如果validation data 连续多次没有提升，则停止训练；
4 将之前validation data 准确率最高时的权重作为网络的最终参数。
2.2 正规化
分为L1,L2 正规化.
2.3 Dropout
原网络结构
训练：
Dropout
: 上面每个输入值以p%的概率变为0
测试：
权重系数
一般p 设置为0.5
、
4 增加数据集上面数据量
作用 降低方差
三 欠拟合
|---------------------------------------------------|
| 欠拟合处理方案 |
| 主要有下面5个处理思路： |
| 1 超参数调节： 学习率 训练轮次,batch_size 2 更换激活函数 |
| 3 梯度更新算法优化 4 网络模型优化 5 损失函数 更换 |
3.1 超参数调参
主要更换学习率，增加迭代轮数等
3.2 更换激活函数
DNN 随着网络层数的增加会出现梯度弥散现象，可以通过把激活函数sigmod 更换为
ReLu 一定程度上面优化该方案。
更换激活函数 ReLu(导数为1,链式求导的时候连乘不会减少)
增加,减少 网络层数（梯度弥散,梯度爆炸）
3.3 梯度更新优化算法
方案1 SGD 随机梯度下降
当梯度为0，参数无法更新容易陷入到局部极小值点
学习率太大： 不容易进入到极小值点，容易发生网络震荡
学习率太小： 收敛速度慢
方案2 Momentum: 当前的梯度 = 当前的梯度+历史梯度
SGD 会发生震荡而迟迟不能接近极小值，所以对更新梯度引入Momentum概念，加速SGD，并抑制震荡（也就是在SGD基础上引入了一阶动量）
初始化动量：
: 动量
: 动量
整个思想： 有点跟马尔科夫链时序链相似，当前输出值不仅仅跟当前的
输入相关,也跟历史值相关。
方案3：Adagrad （Adaptive Gradient，自适应梯度)
不同参数进行不同程度的更新 - 逐参数适应学习率方法
方案：
在Adagrad算法中，每个参数的学习率各不相同。计算某参数的学习率时需将该参数前面所有时间步的梯度平方求和，随着时间步的增加，学习率将减小.
二阶动量，权重系数里面的每个系数单独计算
: 当前权重系数的梯度
Adgrad方法中，学习率一直在衰减，所以可以起到抑制震荡的作用，
对于频繁更新的参数，它们的二阶动量比较大，学习率小；
对于不怎么更新的参数，它们的二阶动量比较小，学习率就大。
但因为那个分母是单调递增的，会使得学习率单调递减至0，可能会使得训练过程提前结束，即便后续还有数据也无法学到必要的知识
方案4 RMSProp:
Root Mean Square Propagation，自适应学习率方法，由Geoff Hinton提出，是梯度下降优化算法的扩展。在AdaGrad的基础上，对二阶动量的计算进行了改进：即有历史梯度的信息，但是我又不想让信息一直膨胀，那么只要让历史信息一直衰减就好了。因此得到RMSProp的二阶动量计算公式：
如下图所示，截图来自：https://arxiv.org/pdf/1609.04747.pdf
方案4 Adam算法即自适应时刻估计方法（Adaptive Moment Estimation）
算法思想 moment+Adagrad
同时考虑了动量 和二阶动量
3.4 更换损失函数
比如mse 更换成CRE
3.5 更换模型
增加网络层次，参数例如
或者
RNN 用LSTM
CNN 里面的ResNet
解决梯度弥散问题
四 keras
Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 [1]。
Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 [1]。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型 [2]。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件 [3]。
Keras的主要开发者是谷歌工程师François Chollet，此外其GitHub项目页面包含6名主要维护者和超过800名直接贡献者 [4]。Keras在其正式版本公开后，除部分预编译模型外，按MIT许可证开放源代码 [1]
keras 创建一个神经网络,训练,测试主要流程如下
|----------|-----------------------|
| model | 模型搭建 |
| compile | 损失函数，loss, batch_size |
| fit | 训练 |
| evaluate | 验证测试集 |
| predict | 预测 |
model = Sequential()
#输入层
model.add(Dense(input_dim=28*28,
units = 500,
activation='relu'))
#1 隐藏层
model.add(Dense(units=500,
activation='relu'))
#2 输出层
model.add(Dense(units=10,
activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam'
metrics =['accuracy'])
#3 pick the best function ,完成训练工作
model.fit(x_train, y_train, batch_size=100, epochs=20)
#4 使用该模型
score = model.evaluate(x_test,y_test)
result = model.predict(x_test)
参考：