正则化、预处理、权重初始化

偏差与方差

数据集拟合

• 对应最左边一幅图，如果给这个数据集拟合一条直线，但它并不能很好地拟合该数据，这是高偏差（high bias）的情况，称为“欠拟合”（underfitting）。特点是训练集误差与验证集误差都较大，且误差率相似。

• 对应最右边一幅图，如果拟合一个非常复杂的分类器，可能非常适用于这个数据集，但是也不是一种很好的拟合方式，分类器方差较高（high variance），数据过度拟合（overfitting）。特点是训练集误差较小，验证集误差较大。

• 对应中间一幅图，复杂程度适中，数据拟合适度的分类器，这个数据拟合看起来更加合理，我们称之为“适度拟合”（just right），是介于过度拟合和欠拟合中间的一类。特点是训练集误差与验证集误差都较小，且误差率相似。

正则化

深度学习可能存在过拟合问题——高方差，解决方法有：

1. 准备更多的数据。包括新数据和经过处理的旧数据（比如翻转，裁剪，扭曲的图片）。

   

   经过处理的旧数据
2. 正则化（Regularization）。当获取更多数据变得困难时，正则化通常有助于避免过拟合或减少你的网络误差。

3. 实时记录代价函数$J$，在适当的时候提前结束训练。

   

   在极小值处结束训练

权重衰减-$L2$正则化

在深度学习中，权重衰减（Weight Decay）是一种常用的正则化技术，旨在减少模型的过拟合现象。权重衰减通过向损失函数添加一个正则化项，以惩罚模型中较大的权重值：

$$J(w,b)=\frac1m\sum_{i=1}^mL(\hat{y}^{(i)},y^{(i)})+\frac{\lambda }{2m}\sum_{l=1}^{L}{||W^{\left[l\right]}||}^{2}_{F}$$

其中，$W^{[l]}$ 是第 $l$ 层的的参数，维度为 $(n^{[l]},n^{[l-1]})$ 。

${||W^{[l]}||}^{2}_{F}$ 被称作“弗罗贝尼乌斯范数”，用下标 $F$ 标注，定义为矩阵中所有元素的平方求和。

$\lambda$ 是正则化参数，通常使用验证集或交叉验证集来配置这个参数，尝试各种各样的数据，寻找最好的参数，要考虑训练集之间的权衡，把参数设置为较小值，这样可以避免过拟合，所以 $\lambda$ 是另外一个需要调整的超级参数。

Q：为什么只正则化参数$w$？为什么不再加上参数 $b$ 呢？

A：当然可以正则化参数$b$。因为参数$w$包含了绝大部分参数，所以只正则化参数$w$的效果就足够了，正则化参数$b$的效果不大。

实现梯度下降

复习一下，不加入正则化之前，$d{{W}^{[l]}}$ 的公式为：

$$d{{W}^{[l]}}=\frac{1}{m}\text{}d{{Z}^{[l]}}\cdot {{A}^{\left[ l-1 \right]T}}$$

加入正则化后，修改公式为：

$$d{{W}^{[l]}}=\frac{1}{m}\text{}d{{Z}^{[l]}}\cdot {{A}^{\left[ l-1 \right]T}}+\frac{\lambda }{m}{W}^{[l]}$$

$${W}^{[l]}:={W}^{[l]}-\alpha \cdot d{{W}^{[l]}}$$

不论$W^{[l]}$是什么，我们都试图让它变得更小，因此$L2$正则化也被称为“权重衰减”。

Q：为什么正则化有利于预防过拟合呢？

A：如果正则化$\lambda$设置得足够大，权重矩阵$W$会变小到接近于0的值，直观理解就是把多隐藏单元的权重设为0，于是基本上消除了这些隐藏单元。换句话说，神经网络被大大简化了，小到如同一个逻辑回归单元，它会使这个网络从过度拟合的状态变为高偏差状态。再适当设置$\lambda$，使其“适度拟合”。

正则化可以提升其泛化能力，原因也在于没有哪个维度能够独自对于整体分值有过大的影响，鼓励分类器最终将所有维度上的特征都用起来。

举个例子，假设输入向量x=[1,1,1,1]，两个权重向量w1=[1,0,0,0]，w2=[0.25,0.25,0.25,0.25]。两个权重向量都得到同样的内积，但是w1的L2惩罚（平方相加）是1.0，而w2的L2惩罚是0.25。因此，根据L2惩罚来看，w2更好，因为它的正则化损失更小。

反向随机失活正则化

思想：

随机失活

是对于全部样本的每一次训练，每次随机删除一些节点（将激活值置0），保留小网络进行训练。

实现：

用一个三层（$l=3$）网络来举例说明。实现在某一层中实施随机失活（dropout）。

1. 定义向量$d$，$d^{[3]}$表示网络第三层的随机失活向量。定义一个保留值keep-prob，它是一个具体数字，表示保留某个隐藏单元的概率。代码为：d3 = np.random.rand(a3.shape[0],a3.shape[1]) < keep-prob
2. 从第三层中获取激活值$a^{[3]}$，令$a^{[3]}$乘以$d^{[3]}$，代码为a3 = np.multiply(a3,d3)
3. 最后，向外扩展$a^{[3]}$，用它除以keep-prob参数，代码为a3 /= keep-prob

如果不实现第三步，为了保持训练集和测试集一致，在predict函数中不进行随机失活，但是对于隐层的输出要乘以keep-prob，调整其数值范围。

解释：

• $d^{[3]}$则是一个布尔型数组，部分为 1，部分为 0，概率取决于定义的保留值keep-prob。
• $a^{[3]}$乘以$d^{[3]}$之后，其中的部分激活值置零，或者说失活。
• $a^{[3]}$的部分激活值置零，为了不影响期望值，需要等比例扩大剩余的值，所以除以keep-prob参数。
• 每层保留值keep-prob可以不同，如果某层 $W^{[l]}$ 参数集较大，为了预防矩阵的过拟合，它的keep-prob值应该相对较低。其他层的keep-prob可以接近于1。
• 除非算法过拟合，不然不要使用随机失活正则化。

Q：为什么随机失活会起作用呢？

A：因为单元的每个输入都可能随时被清除，所以结果不能依赖于任何一个特征，不能给任何一个输入加上太多权重。

Dropout会使得Batch Normalization要用的统计量产生误差，因此Dropout直接在BN前面用会有问题

Batch Normalization

思想是让激活数据在训练开始前通过一个网络，网络处理数据使其服从标准高斯分布。因为归一化是一个简单可求导的操作，所以上述思路是可行的。在实现层面，应用这个技巧通常意味着全连接层（或者是卷积层）与激活函数之间添加一个Batch Norm层。

 self.head = nn.Sequential(
     nn.Linear(ebd_dim, fc_dim),
     nn.BatchNorm1d(fc_dim),
     nn.ReLU(),
     nn.Linear(fc_dim, args.embedding_dim),
 )

可以参考下面图片理解．使用了Normalization之后，它可以一直保持数据分布基本不变。Batch normalization就是对每个batch做处理。

举个例子：比如一个彩色Image的大小是32*32大小，我们一个batch有8个Images, channel是３(即RGB三个通道)，tensor 的shape 就是:(8,3,32,32). 对这样的tensor数据进行normalization。

其实就是分别对image的R通道,G通道,B通道分别做normalization

LLM常用的 Normalization

目前流行的主要有两种：LayerNorm 和 RMSNorm。如果硬要再细分的话，可以根据 Norm 的位置分为 Pre-LayerNorm, Post-LayerNorm, Pre-RMSNorm, Post-RMSNorm.

我们知道 Transformer 中使用的是 layer norm。为什么？时序数据中 样本长度可能不一样。BatchNorm需要补0，LayerNorm不需要， LayerNorm 更稳定，不管样本长还是短，均值和方差是在每个样本内计算。

研究人员从 LayerNorm 开始，为了提升训练效率也是拼了，一步一步简化成了 RMSNorm 的模样。

具体来说，Norm的通用公式如下：

$$\text{Norm}(x)=\frac{x-\mu}{\sigma} \cdot \gamma +\beta$$

Batch Norm 和 LayerNorm 都可以表示成上面的样子，只不过计算的维度不同。

RMSNorm 的作者认为，让数据和梯度变成0是否是必要的？作者把 LayerNorm 中的 $\mu$ 和 $\beta$ 去掉(也可以认为是这两个值变为0)，就得到了 RMSNorm.

$$\text{RMSNorm}(x)=\frac{x}{\text{rms}(x)} \cdot \gamma$$

$$\text{rms}(x)=\sqrt{\frac{1}{N}\sum_{i=1}^N x_i^2 +\epsilon}$$

然后通过实验证明了这样做效果不仅没有下降，计算效率还提升了不少。还能再优化么？优化的方向其实也比较明确：

1. 计算更快

2. 能让梯度的方差变小。

Pre Norm 和 Post Norm

在原始的 Transformers 论文中，使用的是 Post Norm。每一层的输入先与 Attention 相加，然后才计算 Layer Norm。早期的很多模型都用的是 Post Norm，比如著名的 Bert。

Post Norm 之所以这么设计，是把 Normalization 放在一个模块的最后，这样下一个模块接收到的总是归一化后的结果。这比较符合 Normalization 的初衷，就是为了降低梯度的方差。

如果层数较低还好，如果像是现在的大模型一样堆叠32层，我们熟悉的 ResNet 结构 $output=X+g(X)$ 的第一项就可以忽略不计了。具体证明见网页

没了 ResNet 的架构，就导致 Transforemrs 在训练的时候，需要小心翼翼。都要加一个 learning rate warm up 的过程，先让模型在小学习率上适应一段时间，然后再正常训练。warm up 的过程虽然在 Transformers 的论文里就提了一嘴，但是真正训练的时候会发现真的很重要。

如果将 Layer Norm 的位置改了一下，变成了 Pre Norm。从实验结果发现，Pre Norm 基本上可以不用 warm up。

总结来看，Pre Norm 的训练更快，且更加稳定，所以之后的模型架构大多都是 Pre Norm 了，比如 GPT，MPT，Falcon，llama 等。

其他不常用但启发思考的做法

随机最大池化：

随机深度：

数据预处理

归一化

训练神经网络，其中一个加速训练的方法就是归一化输入，它的思想是统一每个输入特征的平均值和方差。

实现：

用一个具有两个输入特征的例子来说明，因为两个输入特征可以画到平面图上。

一开始的分布如最左边的图，两个输入特征的均值都不为0，并且方差不统一。

第一步是零均值化，公式为：

$$\mu = \frac{1}{m}\sum_{i =1}^{m}x^{(i)}$$

$$x^{(i)}:=x^{(i)}-\mu$$

这样，每个输入特征的平均值都为0，如中间那幅图。

第二步是归一化方差，公式为：

$$\sigma^{2}= \frac{1}{m}\sum_{i =1}^{m}{({x^{(i)})}^{2}}$$

$$x^{(i)}:=x^{(i)}/\sigma^{2}$$

这样，每个输入特征的方差都为1，如最右边那幅图。

Q：我们为什么要归一化输入特征呢？

A：

如图，在归一化输入特征之前，代价函数是非常细长狭窄的，按照梯度下降是曲折困难的，如果归一化特征，代价函数更对称，不论从哪个位置开始，梯度下降法都能够更直接地找到最小值。

np_list = np.array([2,4,6,8])
processed_list = (np_list - np.mean(np_list)) / np.std(np_list)
print(processed_list)  # [-1.34164079 -0.4472136   0.4472136   1.34164079]

这段代码是对一个列表进行了标准化处理，即减去均值然后除以标准差。这是一种常见的数据预处理方法，可以使得数据的均值为0，标准差为1。

然而，**这并不意味着处理后的数据一定会落在-1到1之间。**标准化处理后的数据会落在一个范围内，这个范围取决于原始数据的分布。如果原始数据是正态分布，那么大约68%的数据会落在-1到1之间，95%的数据会落在-2到2之间，99.7%的数据会落在-3到3之间。这是因为在正态分布中，大约68%的数据在均值的一个标准差范围内，95%的数据在均值的两个标准差范围内，99.7%的数据在均值的三个标准差范围内。

PCA

# 假设输入数据矩阵X的尺寸为[N x D]
X -= np.mean(X, axis = 0) # 对数据进行零中心化(重要)
cov = np.dot(X.T, X) / X.shape[0] # 得到数据的协方差矩阵

数据协方差矩阵的第(i, j)个元素是数据第i个和第j个维度的协方差。具体来说，该矩阵的对角线上的元素是方差。还有，协方差矩阵是对称和半正定的。我们可以对数据协方差矩阵进行SVD（奇异值分解）运算。

U,S,V = np.linalg.svd(cov)

U的列是特征向量，S是装有奇异值的1维数组（因为cov是对称且半正定的，所以S中元素是特征值的平方）。为了去除数据相关性，将已经零中心化处理过的原始数据投影到特征基准上：

Xrot = np.dot(X,U) # 对数据去相关性

注意U的列是标准正交向量的集合（范式为1，列之间标准正交），所以可以把它们看做标准正交基向量。因此，投影对应x中的数据的一个旋转，旋转产生的结果就是新的特征向量。如果计算Xrot的协方差矩阵，将会看到它是对角对称的。np.linalg.svd的一个良好性质是在它的返回值U中，特征向量是按照特征值的大小排列的。

我们可以利用这个性质来对数据降维，只要使用前面的小部分特征向量，丢弃掉那些包含的数据没有方差的维度。 这个操作也被称为主成分分析（ Principal Component Analysis 简称PCA）降维：

Xrot_reduced = np.dot(X, U[:,:100]) # Xrot_reduced 变成 [N x 100]

经过上面的操作，将原始的数据集的大小由[N x D]降到了[N x 100]，留下了数据中包含最大方差的100个维度。通常使用PCA降维过的数据训练线性分类器和神经网络会达到非常好的性能效果，同时还能节省时间和存储器空间。

白化

白化操作的输入是特征基准上的数据，然后对每个维度除以其特征值来对数值范围进行归一化。该变换的几何解释是：如果数据服从多变量的高斯分布，那么经过白化后，数据的分布将会是一个均值为零，且协方差相等的矩阵。该操作的代码如下：

# 除以特征值 
Xwhite = Xrot / np.sqrt(S + 1e-5)

注意分母中添加了1e-5（或一个更小的常量）来防止分母为0。该变换的一个缺陷是在变换的过程中可能会夸大数据中的噪声，这是因为它将所有维度都拉伸到相同的数值范围，这些维度中也包含了那些只有极少差异性(方差小)而大多是噪声的维度。在实际操作中，这个问题可以用更强的平滑来解决（例如：采用比1e-5更大的值）。

左边是二维的原始数据。中间：经过PCA操作的数据。可以看出数据首先是零中心的，然后变换到了数据协方差矩阵的基准轴上。这样就对数据进行了解相关（协方差矩阵变成对角阵）。右边：每个维度都被特征值调整数值范围，将数据协方差矩阵变为单位矩阵。从几何上看，就是对数据在各个方向上拉伸压缩，使之变成服从高斯分布的一个数据点分布。

梯度消失/梯度爆炸

---

梯度消失/梯度爆炸（Vanishing / Exploding gradients），也就是训练神经网络的时候，导数或坡度有时会变得非常大，或者非常小，甚至于以指数方式变大变小，这加大了训练的难度。

原因

假设你正在训练这样一个极深的神经网络，$\hat{y}$ 正比于 $W^{[l]}W^{[L -1]}W^{[L - 2]}\ldots W^{[3]}W^{[2]}W^{[1]}x$。

假设每个权重矩阵$W^{[l]} = \begin{bmatrix} 1.5 & 0 \\0 & 1.5 \\\end{bmatrix}$，那么 $\hat{y}$ 的值也会非常大，实际上它呈指数级增长的，它增长的比率是${1.5}^{L}$，因此对于一个深度神经网络，$\hat{y}$ 的值将爆炸式增长。

相反的，如果权重是0.5，$W^{[l]} = \begin{bmatrix} 0.5& 0 \\ 0 & 0.5 \\ \end{bmatrix}$，激活函数的值将以指数级下降。

解决方法

合理初始化权重有助于训练出一个权重或梯度不会增长或消失过快的深度网络。虽然不能彻底解决问题，却很有用。

使用一个神经元来说明。$z = w_{1}x_{1} + w_{2}x_{2} + \ldots +w_{n}x_{n}$，当$n$越大，为了控制$z$，希望$w_{i}$越小。初始化权重的公式不是唯一的，比较常见的实现有：

$$W^{[l]} = np.random.randn( \text{shape})*\text{np.}\text{sqrt}(\frac{1}{n^{[l-1]}})$$

$$W^{[l]} = np.random.randn( \text{shape})*\text{np.}\text{sqrt}(\frac{2}{n^{[l-1]}})$$

$$W^{[l]} = np.random.randn( \text{shape})*\text{np.}\text{sqrt}(\frac{2}{n^{[l-1]} + n^{\left[l\right]}})$$

其中， $n^{[l - 1]}$ 是第$l-1$层神经元数量。第一个公式更适用于tanh激活函数。第二个公式更适用于Relu激活函数。

最后一个公式也叫Xavier初始化

梯度检验

思想

梯度检验是一个 debug 方法，可以使用这个方法来检验反向传播是否得以正确实施，具体来讲，验证导数是否正确。

实现

定义向量$\theta$，它是所有参数转换成的一个巨大的向量数据，具体来说是把所有参数 $W$ 和 $b$ 转换成向量之后，做连接运算得到的。

类似定义$d\theta$，它是所有参数${dW}^{[l]}$和${db}^{[l]}$转换成的新向量，维度与 $\theta$ 相同。

计算 $d\theta\left[i \right]$ 与估计值 $d\theta_{\text{approx}}\left[i \right]$，根据导数的定义，可得：

$$d\theta_{\text{approx}}\left[i \right] = \frac{J\left( \theta_{1},\theta_{2},\ldots\theta_{i} + \varepsilon,\ldots \right) - J\left( \theta_{1},\theta_{2},\ldots\theta_{i} - \varepsilon,\ldots \right)}{2\varepsilon}$$

$$d\theta\left[i \right]=\frac{\partial J}{\partial\theta_{i}}$$

$d\theta\left[i \right]$ 与估计值 $d\theta_{\text{approx}}\left[i \right]$ 应该相近，如何定义两个向量是否真的接近彼此？具体来说做下列运算：

$$difference=\frac{{||d\theta_{\text{approx}} -d\theta||}_{2}}{||d\theta_{\text{approx}}||_{2}+||d\theta||_{2}}$$

其中，$||\dots||_2$ 表示欧几里得范数，或者向量长度。

• 如果值为$10^{-7}$或更小，这就很好，这就意味着导数逼近很有可能是正确的，它的值非常小。
• 如果值在$10^{-5}$范围内，小心，也许这个值没问题，建议再次检查这个向量的所有项，确保没有一项误差过大，可能这里有bug。
• 如果结果是$10^{-3}$或更大，应该仔细检查所有$\theta$项，追踪一些求导计算是否正确。

实用技巧和注意事项

• 不要在训练中使用梯度检验，它只用于调试，因为它会使算法变慢。

• 如果算法的梯度检验失败，要检查所有项，检查每一项，并试着找出bug。

• 在实施梯度检验时，如果使用正则化，请注意不要漏掉正则项。

• 梯度检验不能与随机失活同时使用，因为其中的部分激活值会被置零。

• 在$w$和$b$接近0时，梯度下降的实施不容易发现错误，但是当$W$和$b$变大时，它会变得越来越不准确。如果随机初始化值比较小，反复训练网络之后，再重新运行梯度检验。

权重初始化

**错误：全零初始化。**把这些权重的初始值都设为0这个做法错误的！因为如果网络中的每个神经元都计算出同样的输出，然后它们就会在反向传播中计算出同样的梯度，从而进行同样的参数更新。换句话说，如果权重被初始化为同样的值，所有神经元就会做相同的事，神经元之间就失去了不对称性的源头。

**小随机数初始化。**因此，权重初始值要非常接近0又不能等于0。解决方法就是将权重初始化为很小的数值，以此来打破对称性。其思路是：如果神经元刚开始的时候是随机且不相等的，那么它们将计算出不同的更新，并将自身变成整个网络的不同部分。

W = 0.01 * np.random.randn(D,H)

并不是小数值一定会得到好的结果。例如，一个神经网络的层中的权重值很小，那么在反向传播的时候就会计算出非常小的梯度（因为梯度与权重值是成比例的）。这就会很大程度上减小反向传播中的“梯度信号”，在深度网络中，就会出现问题。

然而，在一个朴素的网络中，随着层数变深，激活值会逐渐变为0，不再学习。6层激活值（假设用tanh激活函数）分布如下：

如果我们放大初始化参数：

W = 0.05 * np.random.randn(D,H)

所有的激活值都会饱和（假设用tanh激活函数），不再学习：

使用1/sqrt(n)校准方差。上面做法存在一个问题，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，这样神经元输出的方差就归一化到1了。也就是说，建议将神经元的权重向量初始化为：其中n是输入数据的数量。这样就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。

w = np.random.randn(n) / sqrt(n)

以及，梯度消失/梯度爆炸一节提到的其他两个公式。我们希望初始化后，激活值分布如下：

如果我们用ReLU激活函数呢？激活值又大多变0了：

换一种初始化方式： Kaiming / MSRA Initialization

LoRA初始化权重方法：如图，B全为0，A为正态分布