在不同初始化條件下，同一神經網絡經過兩次訓練可以得到相同的結果嗎。

CVPR 2022的一篇研究通過將決策邊界可視化的方法，給出了答案mdash，mdash，

有的容易，有的很難。

例如，從下面這張圖來看，研究人員就發現，ViT比ResNet要更難復現:

研究人員還發現，模型的可復現性和模型本身的寬度也有很大關聯。

同樣，他們利用這種方法，對2019年機器學習最重要的理論之一mdash，mdash，雙下降現象進行了可視化，最終也發現了一些很有意思的現象。

來看看他們具體是怎么做的。

更寬的CNN模型，可復現性更高

深度學習中的決策邊界，可以用來最小化誤差。

簡單來說，分類器會通過決策邊界，把線內線外的點歸為不同類。

從中我們可以發現:

左邊三個和右邊四個差異很大，也就是說不同架構之間的相似性很低。

再進一步觀察，左邊的全連接網絡，ViT和MLP Mixer之間的決策邊界圖又不太一樣，而右邊CNN模型的則很相似。

在CNN模型中，我們還可以觀察到不同隨機數種子之間明顯的的重復性趨勢，這說明不同初始化配置的模型可以產生一樣的結果。

并發現更寬的CNN模型似乎在其決策區域具有更高的可復現性，比如WideRN30。

以及采用殘差連接結構的CNN模型的可復現性得分比無此連接的模型要略高。

此外，優化器的選擇也會帶來影響。

在下表中，我們可以看到SAM比標準優化器產生了更多可重復的決策邊界。

不過對于MLP Mixer和ViT，SAM的使用不能總是保證模型達到最高的測試精度。

有網友表示好奇，如果通過改善模型本身的設計，能改變這種現象嗎。

可視化ResNet—18的雙下降現象

雙下降是一個有趣的概念，描述是測試/訓練誤差與模型大小的關系。

在此之前，大家普遍認為參數太少的模型泛化能力差mdash，mdash，因為欠擬合，參數太多的模型泛化能力也差mdash，mdash，因為過擬合。

而它證明，兩者的關系沒有那么簡單。具體來說:

誤差會先伴隨著模型的增大而減小，然后經過模型過擬合，誤差又增大，但伴隨著模型大小或訓練時間的進一步增加，誤差又會再次減小。

他們通過寬度參數的改變來增加模型容量。

訓練出的兩組模型，其中一組使用無噪聲標簽的訓練集，另一組則帶有20%的噪聲標簽。

最終，在第二組模型中觀察到了明顯的雙下降現象。

線性模型預測的模型不穩定性也適用于神經網絡，不過這種不穩定性表現為決策區域的大量碎片。

也就說，雙下降現象是由噪聲標簽情況下決策區域的過度碎片引起的。

具體來說，當k接近/達到10時，由于模型此時擬合了大部分訓練數據，決策區域被分割成很多小塊，變得混亂和破碎，并不具備可重復性，此時模型的分類功能存在明顯的不穩定性。

而在模型寬度很窄和很寬時，決策區域碎片較少，有高水平的可重復性。

模型的可復現性得分如下:

同樣可以看到，在參數化不足和過參數化的情況下，整個訓練過程的可復現性很高，但在插值閾值處會出現故障。

有趣的是，即使沒有噪聲標簽，研究人員發現他們設計的量化方法也足夠敏感，可以檢測到可復現性的細微下降。

目前代碼已經開源，要不要來試試你的模型是否容易復現。

論文地址:

GitHub鏈接: