模型调参总结之解决模型过拟合方法
前言
- 在深度学习中对于过少的数据集,模型往往会产生过拟合现象。本文将对过拟合问题进行归纳和总结,并针对性的提出一点自己的见解。
原因
- 由于数据集中图片数量较少,但模型训练次数扩大时,会导致模型对于训练集中图片分布情况过度依赖,从而降低了模型对于其他分布数据的预测能力,降低了模型的泛化性能。
主要表现
- 模型对于验证集中loss 上升 并且训练集中loss下降
- 模型对于验证集中图片准确度下降
解决方法
- 加大权重衰减指数(weight decay)
权重衰减原理(为什么可以对权重进行衰减):
我们对加入L2正则化后的代价函数进行推导,先求导:
可以发现L2正则化项对b的更新没有影响,但是对于w的更新有影响:
在不使用L2正则化时,求导结果中w前系数为1,现在w前面系数为1-ηλ/n,因为η、λ、n都是正的,所以1-ηλ/n小于1,它的效果是减小w,这也就是**权重衰减(weight decay)**的由来。当然考虑到后面的导数项,w最终的值可能增大也可能减小。
权重衰减作用:
- L2正则化项有让w变小的效果,但是为什么w变小可以防止过拟合呢?
原理:
(1)从模型的复杂度上解释:更小的权值w,从某种意义上说,表示网络的复杂度更低,对数据的拟合更好(这个法则也叫做奥卡姆剃刀),而在实际应用中,也验证了这一点,L2正则化的效果往往好于未经正则化的效果。
(2)从数学方面的解释:过拟合的时候,拟合函数的系数往往非常大,为什么?如下图所示,过拟合,就是拟合函数需要顾忌每一个点,最终形成的拟合函数波动很大。在某些很小的区间里,函数值的变化很剧烈。这就意味着函数在某些小区间里的导数值(绝对值)非常大,由于自变量值可大可小,所以只有系数足够大,才能保证导数值很大。而正则化是通过约束参数的范数使其不要太大,所以可以在一定程度上减少过拟合情况。
-
加入Dropout 在训练时,我们随机地“删除”一半的隐层单元,视它们为不存在
-
进行适量的数据增强
-
可以从loss本身进行分析,如果是CE loss上升 说明模型预测置信度和标签的匹配程度在变小(但也仅仅反应了预测置信度),同时要结合评价指标,如果CE loss 只有轻微上升,但评价指标(F1)并没有下降,结果应该并无大碍。
参考链接
- https://blog.csdn.net/program_developer/article/details/80867468