===========第1周 机器学习的实用层面================
===1.1 训练/开发/测试===
早期机器学习时代（数据规模较小），如果不需要dev set，常见的划分有 70%/30% 的训练/测试 划分，如果需要验证集，常见的是 60%/20%/20%划分
在big data era，由于数据集非常大，test和dev的占比通常变得更小，因为dev set的目的就是检测哪个算法更有效，所以dev集只需要big enough for you to evaluate 不同算法，比如你有100million数据，使用1万data作为dev集is more than enough，test集也是一样。
MAKE SURE the dev and test sets come from the same distribution
In practice，有时没有/不需要test set，很多人会直接把train/dev划分称为 train/test划分，Andrew认为这是不严谨的
===1.2 偏差(Bias) / 方差(Variance)===
High Bias：欠拟合
High Variance: 过拟合
举个例子，以错误率为例，train/dev：1%/11%（高方差，过拟合），15%/16%（高偏差，欠拟合），15%/30%（高偏差+高方差，欠拟合）
===1.3 机器学习基础===
在现代的deep learning，只要bigger network & more data & 合适的其他设置如regulation等，在降低偏差的同时通常可以同时 降低/不伤害 方差，反之亦然。这也是为什么在深度学习中我们不用太关注Bias-Variance trade-off 的原因，Andrew认为这也是deep火起来的一个原因。
===1.4 正则化===
以logistic regression为例，我通常只加对W的L2正则项，不加b的正则项目（加不加影响不大），因为W通常是很高维的，高偏差问题主要和它有关，we aren't fitting all the parameters well
L1 norm可以使模型更sparse，有人认为这有利于降低存储模型的存储空间，但in practice，我发现L1 norm可以使模型稀疏，但其实并没有降低太多存储内存，所以我不认为L1的目的是为了压缩模型。我在实践中喜欢L2 norm。
对矩阵的L2正则化叫做 Frobenious norm，而不叫 L2 norm，|| W ||^2
在对于的BP过程中，dW要额外加一项，你可以看到这也是为什么L2 regularization 被称为i weight decay
===1.5 正则化为什么可以减少过拟合===
直观上来感受，以一个多层神经网络和L2 正则化为例，通过控制正则化参数lambda，它相当于消除，实践中更准确的说是降低了许多神经元unit的影响，从而simpler the network。
另一个直观例子，假设激活函数为tanh()，在靠近0周围的部分近似线性，而两边是非线性的，正则化使得W值变小，W乘以上一层输入得到的值也变小了，就会集中在线性区。
===1.6 dropout正则化===
反向随机失活 inverted dropout，记得在 a = (a*mask) / keep_prop
===1.7 理解dropout===
dropout相当于降低了模型复杂度
Intuition: 依然以网络结构为例，不能依赖any one feature（也就是，给某一个输入节点赋予过大的权重），因为任何feature都有可能被drop，so have to spread the weights，利用绝大部分特征。
类似L2正则化，dropout通常会产生一个效果，即 shrinking the squared norm of the weights，并且does some outer regularization。甚至更适用于不同scale的输入范围。
根据不同层可能过拟合的程度，不同层可以设置不同的keep_prop，缺点是交叉验证选参数代价大。一直替代的方法是对所有层，keep_prop= 1 / a same number.
除非网络过拟合了，否则我通常不会用dropout。它在其他领域应用得比较少，主要是在CV，因为通常我们没有足够的数据，导致过拟合。
一个缺点是，此时代价函数 J is no longer well-defined，此时你很难监测迭代进行梯度下降时的J的性能，所以我们失去的debug工具绘制损失图。通常我会先关闭dropout，运行NN，确保J单调递减，然后再加入dropout。
===1.7 其他正则化方法===
Data Augmentation. 比如对称图像，随机旋转和裁剪，OCR图像设置可以各种扭曲
early stopping. 画出 training/dev error 随着 迭代次数的 曲线。
缺点是，它couple了两个任务（最优化代价函数J，同时要降低过拟合风险），这使得我们无法独立地处理这两个任务。即，我们尝试用一种方式同时解决两个问题，这也使得我们的任务变得更复杂。提早停止梯度下降，在某种程度上我们breaking 了 降低J的任务，此时代价函数可能还不够小
优点是，这个正则化方法不需要额外参数，在梯度下降的过程中就可以完成。但是如果负担得起 L2 正则化超参数搜索的计算开销的话，通常我们还是选择 L2。我发现 L2使得超参数的search space更容易分解（咸鱼对这句话的理解是，加了L2之后迭代过程相对固定，只要不断迭代就行了，最终比较不同超参数组合的J值，而early stopping看中间迭代值，不同超参数组合具体在哪次迭代停止都不一样，我们关注了中间值使得range search可能也不是那么容易锁定）。
===1.9 标准化输入===
当不同特征scale相差较大时，可以看到 J 的等高图是一个扁长的椭圆（假设此时特征2维），此时直接使用SGD，会导致Z字形轨迹（不同方向梯度大小不一样，而学习率一样）。
特征尺度相差不大就不需要做归一化，但即使做了归一化也不会有什么harm，所以当我不确定特征scale是否相差很大时，我都会选择做归一化。
===1.10 梯度消失和梯度爆炸===
直观理解
Andrew举了一个使用线性激活函数的例子，那就相当于不断乘以Wi，那么前向时，Wi略大于1激活值就会爆炸，偏小就会消失接近0，反向时梯度值类似。咸鱼觉得Relu会遇到这种情况。
另外CS231n中Karpathy讲的以tanh为激活函数时，直接使用高斯随机产生权重*某较小的数，也会存在梯度消失问题，要么激活值接近0，要么激活值接近1，两者都导致梯度消失。
===1.11 神经网络的权重初始化===
使用 标准高斯函数*一个较小的数 随机初始化权重，存在一个问题，随着输入数据量的增长，随机初始化的神经元的输出数据的分布中的方差也在增大。我们可以除以输入数据量的平方根来调整其数值范围，这保证了网络中所有神经元起始时有近似同样的输出分布。实践经验证明，这样做可以提高收敛的速度。
Xavier初始化，以tanh为激活函数，Wi = np.random.randn( Ni - 1 * Ni ) / np.sqrt( Ni-1)，这使得 Zi 和 Ai-1 有大致相同的范围（方差） 。
In practice，我认为这些初始化公式只是给了你一个起始点，如果你愿意，W的方差参（Xavier将其调整为1/n）数可以作为你可以调整的一个超参数。有时这样调优的效果很微小，通常这不会是我想要调的首要超参，但在有些应用中调这个参数也能提升了一些性能。考虑到其他超参的重要性，我通常给这个超参低点的优先级。
=== 1.12 梯度的数值逼近===
使用 双边的数值梯度 近似 解析梯度
=== 1.13 梯度检验===
=== 1.14 关于梯度检验实现的标注===
1、不要再训练中使用梯度检验，它只用在调试中。因为梯度检验很费时
2、如果检验失败，look at specific components to try to identify bug
3、记住正则化项
4、Doesn‘t work with dropout。梯度检验时先关闭dropout，设置keep_node=1
5、Run at random intialization; perhaps again after some training. 这种情况很少发生，但是也有可能，small random initial values，运行梯度检验，有可能是对的，但随着训练进行权重away from zero，梯度检验将失败。虽然我不常这么做，但你可以选择的是，在初始化时跑梯度检验，然后让模型训练一段时间，权重away from 初始化值后，在进行梯度检验。
