机器学习框架

一、什么是机器学习？

一句话描述，让计算机寻找函数（function）的过程。

我们说，一切事物的运行都有其底层逻辑，如果能够用数学表达式描述出这个逻辑，那么就可以由机器代替人进行分析和解决问题。然而，有许多函数可能十分复杂，单凭人类的直觉经验和大脑的计算能力无法获取到这个函数，这时，我们就可以借助计算机的强大算力，帮我们找到，或无限逼近这个真实函数。

二，机器学习有哪些种？

回归任务（Regression）

回归任务的输出是一个数值（scalar），一般用作预测任务，根据以往的数据预测，如：明天的温度，明天的氧气浓度

分类任务（Classification）

分类任务的输出是，从我们预先设定好的几种结果中返回一个结果，提供的是一个决策的服务。如：输入一张图片，输出图片中是猫还是狗。亦或者，输入一封邮件的文本内容，返回一个结果，该邮件Yes/No是一封垃圾邮件。AlphaGo围棋对弈的过程，本质就是在19*19的格子里，做出选择把棋子下在哪里。

结构化学习（Structured Learning）

让机器的生成具有创造性，如生成一篇文章，生成一张图片。

三、机器学习包含哪几个部分？

模型（model），

网络模型	对应场景	特点	编程调用方式（以PyTorch为例）
VGG	图像分类，特征提取	深层卷积神经网络，结构简单，使用3x3卷积和2x2池化	torchvision.models.vgg16(pretrained=True)（以VGG16为例）
ResNet	图像分类，目标检测，分割	引入残差连接，解决深层网络训练难题，提高性能	torchvision.models.resnet50(pretrained=True)（以ResNet50为例）
Inception	图像分类，特征提取	使用不同尺寸的卷积核，增加网络宽度，提高特征提取能力	自定义实现或使用torchvision中的Inception模型（如果可用）
YOLO	目标检测	端到端检测，速度快，适用于实时检测场景	需要自定义实现或使用第三方库（如ultralytics/yolov5）
LaneNet	车道线检测	专门设计用于车道线检测，包括实例分割和车道线拟合两部分	需要自定义实现或使用开源实现（如github.com/Mayank7659/LaneNet）
U-Net	医学图像分割，一般图像分割	对称编码器-解码器结构，跳跃连接，适用于像素级分类任务	自定义实现或使用torchvision中的U-Net（如果可用，否则需自定义）
Transformer	自然语言处理，图像分类，检测	自注意力机制，捕捉全局依赖关系，适用于序列和图像数据	自定义实现或使用torch.nn.Transformer（适用于NLP）或结合CNN的图像Transformer

注意：

• 对于某些网络模型（如YOLO、LaneNet），PyTorch的torchvision库可能不直接提供预训练模型或实现，因此可能需要从第三方库或开源项目中获取。
• 编程调用方式中的pretrained=True参数表示加载预训练权重，这对于迁移学习和快速启动项目非常有用。
• 对于Transformer在图像领域的应用，通常需要结合卷积神经网络（CNN）来提取图像特征，然后再应用Transformer模块进行序列建模或全局依赖关系捕捉。

损失函数(Optimization)，

损失函数	应用场景	公式	实现
均方误差（MSE）	线性回归、神经网络回归等回归问题	M S E = 1 2 n ∑ i = 1 n ( y i − y ^ i ) 2 MSE = \frac{1}{2n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2 MSE=2n1∑i=1n(yi−y^i)2	mse = np.mean((y_true - y_pred) ** 2)
均方根误差（RMSE）	与MSE相同，但误差度量更直观	R M S E = 1 n ∑ i = 1 n ( y i − y ^ i ) 2 RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2} RMSE=n1∑i=1n(yi−y^i)2	rmse = np.sqrt(np.mean((y_true - y_pred) ** 2))
平均绝对误差（L1损失）	对异常值不敏感的回归问题	L 1 = 1 n ∑ i = 1 n ∣ y i − y ^ i ∣ L1 = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i| L1=n1∑i=1n∣yi−y^i∣	mae = mean_absolute_error(y_true, y_pred)
交叉熵损失函数（二分类）	二分类问题	L ( y , p ^ ) = − y log ⁡ ( p ^ ) − ( 1 − y ) log ⁡ ( 1 − p ^ ) L(y, \hat{p}) = -y\log(\hat{p}) - (1-y)\log(1-\hat{p}) L(y,p^)=−ylog(p^)−(1−y)log(1−p^)	loss = tf.keras.losses.BinaryCrossentropy()(y_true, y_pred)
交叉熵损失函数（多分类）	多分类问题	L = − ∑ i y i log ⁡ ( p i ) L = -\sum_{i} y_i \log(p_i) L=−∑iyilog(pi)	对于多分类问题，可以使用CategoricalCrossentropy或SparseCategoricalCrossentropy（取决于标签的格式）
Hinger损失函数	支持向量机（SVM）等最大间隔分类器	L ( y , y ^ ) = max ⁡ ( 0 , 1 − y y ^ ) L(y, \hat{y}) = \max(0, 1 - y\hat{y}) L(y,y^)=max(0,1−yy^)	hinge_loss_value = np.mean(np.maximum(0, margin - y_true * y_pred))
Huber损失函数	结合MSE和MAE优点，对异常值鲁棒的回归问题	L H u b e r ( y , y ^ ) = { 1 2 ( y − y ^ ) 2 if ∣ y − y ^ ∣ ≤ δ δ ∣ y − y ^ ∣ − 1 2 δ 2 if ∣ y − y ^ ∣ > δ L_{Huber}(y, \hat{y}) = \begin{cases} \frac{1}{2}(y - \hat{y})^2 & \text{if } |y - \hat{y}| \leq \delta \\ \delta |y - \hat{y}| - \frac{1}{2}\delta^2 & \text{if } |y - \hat{y}| > \delta \end{cases} LHuber(y,y^)={21(y−y^)2δ∣y−y^∣−21δ2if ∣y−y^∣≤δif ∣y−y^∣>δ	loss = criterion(input, target)
IoU损失	预测结果与真实标签的重叠程度，常用于车道线检测

将所有x，y的历史数据带入，获得所有的误差loss，求和取平均值。这个数值最小的时刻，所对应的w和b应为最佳。

优化器(Optimizer)，常见的有SGD、Adam等

优化器	对应场景	特点	编程实现方式（以PyTorch为例）
Adam	大多数深度学习场景，特别是非平稳目标	自适应学习率，结合AdaGrad和RMSProp的优点，收敛速度快且稳定	torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08)
SGD	大规模数据集，计算资源有限	简单，易于实现，适合处理稀疏数据，可能陷入局部最优解	torch.optim.SGD(params, lr=0.01, momentum=0.9, dampening=0, weight_decay=0, nesterov=False)
RMSprop	非平稳目标，在线和递归学习	基于均方根传播的自适应学习率，适用于处理非平稳目标	torch.optim.RMSprop(params, lr=0.001, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False)
Adagrad	稀疏数据，需要自适应学习率	根据参数的历史梯度平方和来调整学习率，适用于稀疏梯度	torch.optim.Adagrad(params, lr=0.01, lr_decay=0, weight_decay=0, initial_accumulator_value=0)
Adamax	需要更高学习率稳定性的场景	Adam优化器的一个变体，基于无穷范数进行参数更新	torch.optim.Adamax(params, lr=0.002, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)
Adadelta	无需手动设置学习率，适用于在线学习	根据梯度平方的累积自适应调整学习率，减少了学习率选择的复杂性	torch.optim.Adadelta(params, lr=1.0, rho=0.9, eps=1e-06, weight_decay=0)

注意：

• params 是需要优化的模型参数的迭代器。
• lr 是学习率。
• 其他参数是特定于优化器的配置选项，可以根据需要进行调整。

四、数据预处理

数据归一化

原因：神经网络通常假设输入数据服从均值为0，标准差为1的正态分布。如果数据未进行归一化处理，不同特征的量纲差异可能导致模型训练困难。

解决方案：对数据进行归一化处理，例如使用零均值归一化或线性函数归一化（Min-Max Scaling）。

数据预处理

原因：数据中存在噪声、异常值或缺失值，可能影响模型的训练效果。

解决方案：对数据进行清洗，去除噪声和异常值，填补缺失值，并进行适当的数据增强。

标签设置

原因：数据标签设置错误，导致模型无法正确学习数据的真实分布。

解决方案：检查数据标签是否正确，确保标签与数据对应。

样本量不足或分布不均

原因：样本量不足可能导致模型过拟合，样本分布不均可能导致模型无法学习到数据的真实分布。

解决方案：增加样本量，确保样本覆盖数据的各种可能情况；对样本进行重采样或数据增强，以改善样本分布。

五、网络框架

基础变量

batch_size=128  //每次训练在训练集中取batchsize个样本训练
hidden_size=64  //隐藏层数
learning_rate=0.001 //学习率
num_epoch=10  //1个epoch等于使用训练集中的全部样本训练一次

张量转换

torchvision图像处理；torchtext自然语言处理；torchaudio音频处理

transform = transforms.Compose([transforms.ToTensor(),
								transforms.Normalize((0.5,),(0.5,),)])

数据集

trainset  = torchvision.datasets.MINST(root="./data",train=True,download=True,transform=transform)
testset  = torchvision.datasets.MINST(root="./data",train=False,download=True,transform=transform)

数据缓存器

train_data_loader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,shuffle=True)
test_data_loader = torch.utils.data.DataLoader(testset, batch_size=batch_size,shuffle=False)

输入输出

input_size = 784  //图像展成一维后的大小
num_classes = 10  //若为分类任务设置输出种类

网络

class Net(nn.Module):
	def __init__(self,input_size,hidden_size, num_classes):
		super(Net, self).__init__()
		self.fc1 = nn.Linear(input_size, hidden_size)
		self.relu = nn.ReLU()
		self.fc2 =nn.Linear(hidden_size, num_classes)
		
	def forward(self, x):
		out = self.fc1(x.view(-1,input_size))
		out = self.relu(out)
		out = self.fc2(out)
		return out

实例化

model = Net(inpute_size, hidden_size, num_classes)

损失函数

criterion = nn.CrossEntropyLoss()

优化器

optimizer = optim.SGD(model.parameters(), lr=Learning_rate)

存储损失值：

train_loss_list = []
test_loss_list = []

总批数（有多少batchs）

total_step = len(train_loader)

开始训练

for epoch in range(num_epochs):
	for i,(images, labels)in enumerate(train_loader):

		//前向传播
		outputs = model(images) //模型加载图片
		Loss =criterion(outputs,labels) //计算损失
		
		//反向传播
		optimizer.zero_grad()//清除之前的梯度
		Loss.backward()//更新损失
		optimizer.step()//更新优化器
		
		train_loss_list.append(loss.item())//存储损失值
		
		if(i+ 1)% 100 == 0: //每100批打印一次信息
			print('Epoch [{}/{}l,step [{}/{}],Train Loss: {:.4f}'.format(epoch + 1,num_epochs,i + 1,total_step,loss.item()))

开始验证

	model.eval()//评估模式，停止训练
	
	with torch.no_grad(:
		test loss =0.0
		for images,labels in test loader:
			outputs = model(images)
			Loss =criterion(outputs,labels)
			
			test loss += loss.item()*images.size(0)//某批次的总损失求和
			
		test loss /= len(test_loader.dataset)
		test loss list.extend([test_loss] * total step)

	//改回训练模式，打印结果
	model.train()
	print('Epoch [{}/{}], Test Loss: {:.4f}'.format(epoch + 1, num_epochs, test_loss))

图像化展示

plt.plot(train loss list, label='Train Loss')
plt.plot(test_loss_list,
label='Test Loss')
plt.title('Model Loss')
plt.xlabel('Iterations')
plt.ylabel('Loss')
plt.legend()
plt.show()

六、如何调参？

图像角度

1、不收敛

网络不收敛一般涉及如下可能：

网络设计不合理

输入的图像数据有问题

2、过拟合

数据增强，样本数少了，旋转缩放平移裁切，增加数据

早停法，在验证集性能不再提升时停止训练

随机失活dropout

使用正则化

降低学习率

降低训练轮数

降低网络层数

降低神经元个数

3、欠拟合

增加训练轮数

提升网络层数

适当增加relu函数，引入非线性提升拟合

过度正则化

4、震荡收敛

降低学习率

减少批次数据

参数角度

1、学习率

原因：学习率过大 可能导致模型在训练过程中震荡 ，无法收敛；学习率过小 可能导致模型收敛速度过慢。

解决方案：可以尝试从较大的学习率开始，逐步减小，直到找到合适的学习率。

2、单层神经元个数

逐步增加法：从较小的数量开始，如输入层神经元数量的75%，逐步增加，观察模型在验证集上变化。当性能不再显著提升时，停止。

网格搜索和随机搜索：在预设的神经元数量范围内（如10到1000），使用网格搜索或随机搜索方法，遍历不同的神经元数量组合，找到使模型性能最优的配置。

经验公式：

平均数法则：隐藏层神经元数量 = (输入层神经元数量 + 输出层神经元数量) / 2。

K乘法法则：使用常数K（如2或3）乘以输入特征数量，作为隐藏层神经元数量的初步估计。

3、网络层数

简单任务：如线性回归、逻辑回归，可能只需要一层隐藏层，且神经元数量较少。

复杂任务：如图像识别、自然语言处理，可能需要多层隐藏层，且每层神经元数量较多，以提取高维特征。

4、激活函数选择错误

原因：激活函数选择不当可能导致模型在训练过程中梯度消失 或梯度爆炸 ，无法收敛。

解决方案：根据任务需求选择合适的激活函数，如ReLU、Sigmoid、Tanh等。

根据任务类型选择

二分类问题：

输出层：优先选择Sigmoid函数，因为Sigmoid函数的输出范围在(0,1)之间，可以表示概率，适用于二分类问题的输出。

多分类问题：

输出层：优先选择Softmax函数，Softmax函数可以将输出转换为概率分布，适用于多分类问题的输出。

回归问题：

输出层：当目标值y可以是正数或负数时，优先选择线性函数；当目标值y只能取非负数时，ReLU函数也是一个不错的选择。

根据网络选择

输出层：

优先选择ReLU函数或其变体（如Leaky ReLU、PReLU等）。

ReLU函数计算简单，收敛速度快，且在一定程度上能够缓解梯度消失问题。

在训练过程中，如果ReLU函数导致梯度消失，可以尝试使用Leaky ReLU或PReLU等变体来解决。

对于某些特定任务（如循环神经网络RNN），Sigmoid和Tanh函数仍然具有一定的应用价值。但需要注意的是，这两个函数都存在梯度消失的问题，可能会影响网络的训练效果。

5、正则化不足

原因：正则化的主要目的是防止模型过拟合，通过限制模型参数的复杂度来提高模型的泛化能力。

解决方案：使用合适的正则化方法，如Dropout、L1正则化、L2正则化等。

选取正则化方法的经验

正则化方法	适用场景	特点	实际编程实现方法
L1正则化（Lasso）	特征选择，特别是当数据集中存在大量不相关或冗余特征时	通过添加模型参数绝对值的和作为惩罚项，使一些参数变为零	在库如scikit-learn中，使用Lasso类，设置alpha参数控制正则化强度
L2正则化（Ridge）	处理多重共线性问题，以及当模型对异常值较为敏感时	通过添加模型参数平方的和作为惩罚项，使参数值尽可能小，但不为零	在库如scikit-learn中，使用Ridge类，设置alpha参数控制正则化强度
弹性网络正则化	高维数据和特征选择任务	结合了L1正则化和L2正则化的优点，既可以实现特征选择，又可以处理多重共线性问题	在库如scikit-learn中，使用ElasticNet类，设置alpha和l1_ratio参数控制正则化强度和L1/L2比例
Dropout正则化	神经网络模型，特别是当模型层数较多、神经元数量较大时	在训练过程中随机将一部分神经元的输出设置为零，防止神经元之间过度依赖	在深度学习框架如TensorFlow或PyTorch中，使用Dropout层，设置keep_prob或p参数控制保留神经元的概率
数据增强（Data Augmentation）	图像、语音等需要处理大量数据且数据易于变换的任务	通过对训练数据进行随机变换或扩充来增加数据集的多样性	在图像处理库如OpenCV或PIL中，使用随机旋转、缩放、翻转等方法进行数据增强

根据任务类型选择

对于线性回归、逻辑回归等简单模型，可以选择L1正则化或L2正则化。

对于神经网络模型，特别是深度神经网络，可以选择Dropout正则化。

对于图像、语音等任务，可以选择数据增强作为正则化手段。

根据数据特点选择

当数据集中存在大量不相关或冗余特征时，可以选择L1正则化进行特征选择。

当数据集中特征之间存在多重共线性问题时，可以选择L2正则化或弹性网络正则化。

当数据量较少且难以收集更多数据时，可以选择数据增强来增加数据集的多样性。

根据模型复杂度选择

当模型复杂度较高、参数较多时，需要更强的正则化来防止过拟合。此时可以选择Dropout正则化或结合多种正则化方法。

当模型复杂度较低、参数较少时，可以选择较弱的正则化或不加正则化。

实验验证与调整

在实际应用中，可以通过实验验证不同正则化方法的效果，选择使模型性能最优的正则化方法。

同时，还可以根据实验结果调整正则化参数（如正则化系数λ）以达到更好的正则化效果。

6、权重初始化不当

原因：权重初始化不当可能导致模型在训练初期陷入局部最优解，无法继续收敛。

解决方案：使用合适的权重初始化方法，如He初始化、Xavier初始化等。

6、Batch Size设置不当

原因：过大的Batch Size可能导致网络卡在局部最优点，而过小的Batch Size则可能导致训练速度很慢且不易收敛

通用理论认为，GPU对2的幂次或8的倍数的Batch Size可以发挥出更好的性能。因此，在设置Batch Size时，可以考虑将其设置为16、32、64、128等数值。

网络基础部分参考视频