1、权重衰退
2、代码
import torch
from torch import nn
from d2l_loacal import torch as d2l
from d2l_loacal import d2l_com as dc
n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5
true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05
train_data = d2l.synthetic_data(true_w, true_b, n_train)
train_iter = d2l.load_array(train_data, batch_size)
test_data = d2l.synthetic_data(true_w, true_b, n_test)
test_iter = d2l.load_array(test_data, batch_size, is_train=False)
#初始化参数值
def init_params():
w = torch.normal(0, 1, size=(num_inputs, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
return [w, b]
# 定义L2 范数惩罚
def l2_penalty(w):
return torch.sum(w.pow(2)) / 2
# 训练
def train(lambd):
w, b = init_params()
net, loss = lambda X: d2l.linreg(X, w, b), d2l.squared_loss
num_epochs, lr = 100, 0.003
animator = dc.Animator(xlabel='epochs', ylabel='loss', yscale='log',
xlim=[5, num_epochs], legend=['train', 'test'])
for epoch in range(num_epochs):
for X, y in train_iter:
# 计算损失函数的时候 增加了L2范数惩罚项,
# 广播机制使l2_penalty(w)成为一个长度为batch_size的向量
l = loss(net(X), y) + lambd * l2_penalty(w)
l.sum().backward()
d2l.sgd([w, b], lr, batch_size)
if (epoch + 1) % 5 == 0:
animator.add(epoch + 1, (d2l.evaluate_loss(net, train_iter, loss),
d2l.evaluate_loss(net, test_iter, loss)))
print('w的L2范数是:', torch.norm(w).item())
'''我们现在用lambd = 0禁用权重衰减后运行这个代码。
注意,这里训练误差有了减少,但测试误差没有减少, 这意味着出现了严重的过拟合。'''
# 产生了过拟合
# train(lambd=0) #w的L2范数是: 14.071271896362305
'''下面,我们使用权重衰减来运行代码。
注意,在这里训练误差增大,但测试误差减小。 这正是我们期望从正则化中得到的效果。'''
train(lambd=3) #w的L2范数是: 0.3538898825645447