6. 正则化 Dropout

正则化

1. 正则化主要是为了减少模型的过拟合，就像激活函数是为了增加网络的非线性。
2. Dropout只是其中的一种方法，主要是以一个概率将隐藏层的隐藏单元置为0
   3. 通常越浅层网络置0的概率越低。

import tensorflow as tf
from d2l import tensorflow as d2l

# 正则化 以dropout的概率丢弃张量输入X中的元素
def dropout_layer(X, dropout):
  # 断言 判断dropout是否在0-1
  assert 0 <= dropout <= 1
  # 概率为1时全部丢弃
  if dropout == 1:
    return tf.zeros_like(X)
  # 概率为0时不丢弃任何元素
  if dropout == 0:
    return X
  # tf.random.uniform产生的是大小与X一致的张量，里面的元素在0-1之间
  # mask张量里面的值全是0或1，实现了丢弃概率为dropout
  mask = tf.random.uniform(
      shape = tf.shape(X), minval=0, maxval=1) < 1-dropout
  # mask里的元素为1，对应的X元素不变，mask为0，X的元素对应变成0
  # 除以（1-dropoup）是为了保持期望不变，假设X有n个元素，期望为E
  # 所以变化前总的为 nE   
  # 变化后只有（1-dropout）n个元素有值 （1-dropout）nE
  # 右边除掉（1-dropout）均值就相同了，当然不要想着完全相同，毕竟概率这种事情
  return tf.cast(mask, dtype=tf.float32) * X / (1.0 - dropout)

# 定义模型参数
num_outputs, num_hiddens1, num_hiddens2 = 10, 256, 256

# 定义模型
# 设置dropout概率
dropout1, dropout2 = 0.2, 0.5

class Net(tf.keras.Model):
  # 初始化定义网络层，3层网络
  def __init__(self, num_outputs, num_hiddens1, num_hiddens2):
    super().__init__()
    # 输入层把数据拉成一维
    self.input_layer = tf.keras.layers.Flatten()
    # 定义第一层隐藏层
    self.hidden1 = tf.keras.layers.Dense(num_hiddens1, activation='relu')
    # 定义第2层隐藏层
    self.hidden2 = tf.keras.layers.Dense(num_hiddens2, activation='relu')
    # 定义输出层
    self.output_layer = tf.keras.layers.Dense(num_outputs)
  
  def call(self, inputs, training=None):
    x = self.input_layer(inputs)
    x = self.hidden1(x)
    # 只有在训练模型时才使用dropout
    if training:
        # 在第一个全连接层之后添加一个dropout层
        x = dropout_layer(x, dropout1)
    x = self.hidden2(x)
    if training:
        # 在第二个全连接层之后添加一个dropout层
        x = dropout_layer(x, dropout2)
    x = self.output_layer(x)
    return x

# 初始化模型
net = Net(num_outputs, num_hiddens1, num_hiddens2)

# 训练和测试，需要把前面的acc函数复制过来了
# 有SGD优化函数了，就不用复制那个updataer了
num_epochs, lr, batch_size = 10, 0.5, 256
# 损失函数
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
# 载入数据
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 优化器
trainer = tf.keras.optimizers.SGD(learning_rate=lr)

# acc和训练函数
# 分类精度 统计正确的数量 精度：accuracy(y_hat, y) / len(y)
def accuracy(y_hat, y):
  if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
    y_hat = tf.argmax(y_hat, axis=1)
  cmp = tf.cast(y_hat, y.dtype) == y
  return float(tf.reduce_sum(tf.cast(cmp, y.dtype)))

def evaluate_accuracy(net, data_iter): 
  metric = Accumulator(2)  # 正确预测数、预测总数
  for X, y in data_iter:
    metric.add(accuracy(net(X), y), d2l.size(y))
  return metric[0] / metric[1]

class Accumulator:
  def __init__(self, n):
    self.data = [0.0] * n

  def add(self, *args):
    self.data = [a + float(b) for a, b in zip(self.data, args)]

  def reset(self):
    self.data = [0.0] * len(self.data)

  def __getitem__(self, idx):
    return self.data[idx]

# 训练
# updater是更新模型参数的常用函数
def train_epoch_ch3(net, train_iter, loss, updater):
  # 训练损失总和、训练准确度总和、样本数, 累积求和
  metric = Accumulator(3)
  for X,y in train_iter:
    # 计算梯度并更新参数
    with tf.GradientTape() as tape:
      y_hat = net(X)
      # Keras内置的损失接受的是（标签，预测），这不同于用户在本书中的实现。
      # 本书的实现接受（预测，标签），例如我们上面实现的“交叉熵”
      if isinstance(loss, tf.keras.losses.Loss):
        l = loss(y, y_hat)
      else:
        l = loss(y_hat, y)
    if isinstance(updater, tf.keras.optimizers.Optimizer):
      params = net.trainable_variables
      grads = tape.gradient(l, params)
      updater.apply_gradients(zip(grads, params))
    else:
      updater(X.shape[0], tape.gradient(l, updater.params))
    # Keras的loss默认返回一个批量的平均损失
    l_sum = l * float(tf.size(y)) if isinstance(
      loss, tf.keras.losses.Loss) else tf.reduce_sum(l)
    metric.add(l_sum, accuracy(y_hat, y), tf.size(y))
    # 返回训练损失和训练精度
  return metric[0] / metric[2], metric[1] / metric[2]


def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
  # """训练模型（定义见第3章）"""
  for epoch in range(num_epochs):
    train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
    test_acc = evaluate_accuracy(net, test_iter)
    train_loss, train_acc = train_metrics
    print("Epoch %s/%s："%(epoch,num_epochs)+" train_loss: "+str(train_loss) + " train_acc: "+str(train_acc) + " test_acc: "+str(test_acc))
  

# 训练
train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

训练过程：
与前面的内容大致一样，只是多了dropout层

简易实现就i是直接用接口了，
把net换一下就好了

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(256, activation=tf.nn.relu),
    # 在第一个全连接层之后添加一个dropout层
    tf.keras.layers.Dropout(dropout1),
    tf.keras.layers.Dense(256, activation=tf.nn.relu),
    # 在第二个全连接层之后添加一个dropout层
    tf.keras.layers.Dropout(dropout2),
    tf.keras.layers.Dense(10),
])