pytorch学习笔记（十）

一、过拟合与欠拟合相关概念介绍

 偏差：模型对于训练集的拟合能力，通俗理解来说，偏差代表模型能够正确预测训练集的程度（也就是说，模型在训练集上表现出的精度）。偏差越高代表模型在训练集上的精度越低。
 方差：模型对于除训练集之外其他数据的预测能力，即泛化能力。通俗理解来说，方差代表模型能够正确预测测试集的程度（也就是说，模型在测试集上表现出的精度）。方差越高代表模型在各测试集上的精度明显低于训练集上的精度。

 欠拟合：对应于高偏差的情况，即模型不能很好地拟合训练数据，在训练集上的预测精度很低。
 过拟合：对应于高方差的情况，即模型虽然在训练集上的精度很高，但是在测试集上的表现确差强人意。这是由于模型过度拟合了训练集，将训练集特有的性质当成了所有数据集的一般性质，导致其在其他数据集上的泛化能力特别差。

二、过拟合与欠拟合解决方案

解决欠拟合：
 (1) 使用更复杂的网络结构，如增加隐藏层数目，隐藏层结点数等。（因为神经网络如果层数和节点数足够的话，是可以模拟任何函数的）。
 (2) 训练更长时间，即增加神经网络模型的参数更新次数。（更新次数不够可能使得模型还没找到合适的参数使损失最小化，降低了模型精度）。

解决过拟合
 (1) 使用更多的训练数据。
 (2) 使用其他更合适的神经网络架构。

三、代码实现

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

batch_size = 200
learning_rate = 0.01
epochs = 10

train_db = datasets.MNIST('../data', train=True, download=True,
                          transform=transforms.Compose([
                              transforms.ToTensor(),
                              transforms.Normalize((0.1307,), (0.3081,))
                          ]))
train_loader = torch.utils.data.DataLoader(train_db, batch_size=batch_size, shuffle=True)

test_db = datasets.MNIST('../data', train=False, transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
]))
test_loader = torch.utils.data.DataLoader(test_db, batch_size=batch_size, shuffle=True)

print('train:', len(train_db), 'test:', len(test_db))
train_db, val_db = torch.utils.data.random_split(train_db, [50000, 10000])
print('db1:', len(train_db), 'db2:', len(val_db))

train_loader = torch.utils.data.DataLoader(train_db, batch_size=batch_size, shuffle=True)

val_loader = torch.utils.data.DataLoader(val_db, batch_size=batch_size, shuffle=True)

class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)
        return x


device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

    test_loss = 0
    correct = 0
    for data, target in val_loader:
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()
        logits = net(data)
        test_loss += criteon(logits, target).item()

        pred = logits.data.max(1)[1]
        correct += pred.eq(target.data).sum()

    test_loss /= len(val_loader.dataset)
    print('\nVAL set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(val_loader.dataset),
        100. * correct / len(val_loader.dataset)))

test_loss = 0
correct = 0
for data, target in test_loader:
    data = data.view(-1, 28 * 28)
    data, target = data.to(device), target.cuda()
    logits = net(data)
    test_loss += criteon(logits, target).item()

    pred = logits.data.max(1)[1]
    correct += pred.eq(target.data).sum()

test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
    test_loss, correct, len(test_loader.dataset),
    100. * correct / len(test_loader.dataset)))