跟李沐学AI-13 丢弃法

最新推荐文章于 2024-11-03 19:12:44 发布

甜果儿

最新推荐文章于 2024-11-03 19:12:44 发布

阅读量49

点赞数

分类专栏：人工智能学习文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/2302_79772492/article/details/134539439

版权

人工智能学习专栏收录该内容

18 篇文章 0 订阅

订阅专栏

本文介绍了丢弃法（Dropout）作为一种正则化方法，用于提高深度学习模型的鲁棒性，尤其是在处理过拟合问题时。通过在隐藏层添加噪声，该技术在训练过程中随机关闭一些神经元，展示了在PyTorch中如何实现和应用Dropout。

摘要由CSDN通过智能技术生成

1、丢弃法

动机：

一个好的模型需要对输入数据的扰动鲁棒
使用有噪音的数据等价于Tikhonov正则---使数据的权重范围不要过大，避免过拟合
丢弃法：在层之间加入噪音---有点儿像是正则

2、Dropout 代码实现

import torch
from torch import nn
from d2l_loacal import d2l_com as dc
from d2l_loacal import torch as d2l

# 当以丢弃层
def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1
    # 在本情况中，所有元素都被丢弃
    if dropout == 1:
        return torch.zeros_like(X)
    # 在本情况中，所有元素都被保留
    if dropout == 0:
        return X
    mask = (torch.rand(X.shape) > dropout).float()
    return mask * X / (1.0 - dropout)

# 定义数据x  随机16个数字 以此测试不同的概率p dropout 的效果展示
# X= torch.arange(16, dtype = torch.float32).reshape((2, 8))
# print(X)
# print(dropout_layer(X, 0.))
# print(dropout_layer(X, 0.5))
# print(dropout_layer(X, 1.))

# 我们定义具有两个隐藏层的多层感知机，每个隐藏层包含256个单元。
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
'''我们可以将暂退法应用于每个隐藏层的输出（在激活函数之后）， 并且可以为每一层分别设置暂退概率： 
常见的技巧是在靠近输入层的地方设置较低的暂退概率。 
下面的模型将第一个和第二个隐藏层的暂退概率分别设置为0.2和0.5， 并且暂退法只在训练期间有效。'''
dropout1, dropout2 = 0.2, 0.5

class Net(nn.Module):
    def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
                 is_training = True):
        super(Net, self).__init__()
        self.num_inputs = num_inputs
        self.training = is_training
        self.lin1 = nn.Linear(num_inputs, num_hiddens1)
        self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)  #双隐藏层
        self.lin3 = nn.Linear(num_hiddens2, num_outputs)
        self.relu = nn.ReLU()

    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            # 在第二个全连接层之后添加一个dropout层
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        return out

# 定义网络
net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)

# 训练和测试
num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = dc.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
dc.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

3、简洁版代码

import torch
from torch import nn
from d2l_loacal import d2l_com as dc

num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
dropout1, dropout2 = 0.2, 0.5
net = nn.Sequential(nn.Flatten(),
        nn.Linear(784, 256),
        nn.ReLU(),
        # 在第一个全连接层之后添加一个dropout层
        nn.Dropout(dropout1),
        nn.Linear(256, 256),
        nn.ReLU(),
        # 在第二个全连接层之后添加一个dropout层
        nn.Dropout(dropout2),
        nn.Linear(256, 10))

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)


net.apply(init_weights)

# 训练和测试
num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = dc.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
dc.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)