1、自适应学习率

• 理论上：在训练一个网络，训练到现在参数在临界点附近，再根据特征值的正负号判断该
  临界点是鞍点还是局部最小值
• 实际上：①在训练的时候，要走到鞍点或局部最小值非常困难；②多数还未走到临界值训练已经结束；

学习率：决定了更新参数的时候的步伐；太大无法快速收敛，甚至不收敛；学习率太小，训练时长比较长；因此在梯度下降里面，所有的参数都是设同样的学习率，这显然是不够的，应该要为每一个参数定制化学习率，即引入自适应学习率（adaptive learning rate）的方法，给每一个参数不同的学习
率。
如果在某一个方向上，梯度的值很小，非常平坦，我们会希望学习率调大一点；如果在某一个方向上非常陡峭，坡度很大，我们会希望学习率可以设得小一点。

1.1 AdaGrad

AdaGrad（Adaptive Gradient）是典型的自适应学习率方法，其能够根据梯度大小自动调整学习率。
AdaGrad 可以做到梯度比较大的时候，学习率就减小，梯度比较小的时候，学习率就放大。

更新公式：
学习率$\eta$跟迭代次数t和迭代参数相关，即不同的参数跟自己每一次迭代的梯度值相关。

1.2 RMSProp

RMSprop（Root Mean Squared propagation）：同一个参数的同个方向，学习率也是需要动态调整

其中 0 < α < 1，其是一个可以调整的超参数。

RMSProp 通过 α 可以决定不同迭代次数的梯度重要性有多大，如果$\alpha$趋近于1，则表示当前计算出来的梯度很重要；最初计算出来的梯度不重要。

1.3 Adam

Adam（Adaptive moment estimation）可以看做是RMSprop加上动量，使用动量作为参数更新方向，并且能够自适应调整学习。

1.4 学习率调度

• 学习率衰减（learning rate decay）== 学习率退火（learning rate annealing）。随着参数的不断更新，让学习率$\eta$越来越小
• 预热：预热的方法是让学习率先变大后变小，至于变到多大、变大的速度、变小的速度是超参数。

2、分类

分类问题预测数据所属的类别，一般采用独热向量表示；如果是二分类，采用0和1就可以进行区别；
如果是三分类采用0/1/3来区分显然是不合适的，这样目标就可以理解为连续的数值类型，不符合我们分类的预测需求；因此：
如果有三个类，标签 y 就是一个三维的向量，比如类 1 是 $[1,0,0{]}^T$，类 2 是 $[0,1,0{]}^T$，类
3 是 $[0,0,1{]}^T$。如果每个类都用一个独热向量来表示，就没有类 1 跟类 2 比较接近，类 1 跟
类 3 比较远的问题。如果用独热向量计算距离的话，类两两之间的距离都是一样的。

2.1 softmax函数

多分类用softmax，二分类用sigmoid

2.2 分类损失

交叉熵损失函数

梯度与最后一层的激活函数的导数成正比，多分类交叉熵损失求导更简单，损失仅与正确类别的概率有关

3 批量归一化

批量归一化（Batch Normalization，BN）
为特征归一化（feature normalization）