【动手学深度学习v2】深度学习，从零理解drop out_防止过拟合方法——李沐老师的课程笔记

深度学习，从零理解drop out_防止过拟合方法——李沐老师的课程笔记

对于深度学习，非常推荐李沐老师的课程，受益匪浅

课程视频课程竞赛：加州2020年房价预测_哔哩哔哩_bilibili

这里对源码做一些注释，希望大家可以更好理解这里面的意思

没有基础不知道软件如何安装的可以看Python深度学习：安装Anaconda、PyTorch（GPU版）库与PyCharm_哔哩哔哩_bilibili

有基础的也可以直接看代码，来加深理解

若有差错，请与我联系探讨

目录

## 1.丢弃法

## 一.概念

## 二.代码注意

## 三.代码实现

---

## 1.丢弃法

## 一.概念

drop，防止过拟合，属于正则项，只能在训练中使用
用于多层感知机，很少用于cnn

关键从代码处了解细节

def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1
    if dropout == 1:
        return torch.zeros_like(X)
    if dropout == 0:
        return X
    """
     torch.randn(X.shape)生成随机数，然后比较变成布尔形式，然后转变为float
     mask生成一个和x形状相同的由0，1组成的张量，这些0，1是由你设定的超参数概率随机确定的。
     这里也可以看出，drop out的核心就是将输入x中的数据变换，在你确定的超参数概率下，
     一部分变为0（mask * X），另一部分稍微扩大（/ (1.0 - dropout)），使得总体期望不变
    """
    mask = (torch.rand(X.shape) > dropout).float()
    return mask * X / (1.0 - dropout)

## 二.代码注意

代码部分要讲的有一点就是老师在改函数的时候，写了

mask = (torch.randn(X.shape) > dropout).float()

我们从原理可以知道，应该是使用torch.rand随机生成（0，1）的值来与我们设定的超参数概率比较，而老师在这一步估计打习惯了，写成了torch.randn，这导致生成的是一个随机正态分布的数据，会有小于0的值，和我们需要的在（0，1）上的数据偏差很大，尤其是小于0的，会直接因为比不过我们设定的概率而直接变为0，导致变为0的数据比例远比我们设定的概率大，但是我们让数据变大部分并没有那么大即return mask * X / (1.0 - dropout)的1.0-dropout应该更小一点，导致期望数值变动，所以效果变得差了

下面是对应参数得出结果的数据图

这里还列举出没有使用drop，即概率全部设为0的情况，效果test acc也还不错，不过可以看出有些过拟合了，train和test的acc有些距离，不过问题不大

## 三.代码实现

self这里就是用于在类的方法里进行传参用的，不清楚的话推荐你看
Python深度学习：Python基础_哔哩哔哩_bilibili
这个视频的1h处有详细讲解

import torch
from torch import nn
from d2l import torch as d2l

def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1
    if dropout == 1:
        return torch.zeros_like(X)
    if dropout == 0:
        return X
#     torch.randn(X.shape)生成随机数，然后比较变成布尔形式，然后转变为float
#     mask生成一个和x形状相同的由0，1组成的张量，这些0，1是由你设定的超参数概率随机确定的。
#     这里也可以看出，drop out的核心就是将输入x中的数据变换，在你确定的超参数概率下，
#     一部分变为0（mask * X），另一部分稍微扩大（/ (1.0 - dropout)），使得总体期望不变
    mask = (torch.rand(X.shape) > dropout).float()
    return mask * X / (1.0 - dropout)
# 测试dropout_layer函数

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.))

# 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

dropout1, dropout2 = 0.5, 0.5

# self这里就是用于在类的方法里进行传参用的，不会的话推荐你看
# https://www.bilibili.com/video/BV1K14y1c75e/?spm_id_from=333.1245.recommend_more_video.3&vd_source=3492e653bd36005e9afd4b26a77fed52
# 这个视频的1h处有详细讲解
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)
        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))))
        if self.training == True:
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        return out

net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)


num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)