python3 25.keras使用正则化进行MNIST数据集简单分类 学习笔记

前言

     计算机视觉系列之学习笔记主要是本人进行学习人工智能（计算机视觉方向）的代码整理。本系列所有代码是用python3编写，在平台Anaconda中运行实现，在使用代码时，默认你已经安装相关的python库，这方面不做多余的说明。本系列所涉及的所有代码和资料可在我的github上下载到，gitbub地址：https://github.com/mcyJacky/DeepLearning-CV，如有问题，欢迎指出。

一、使用正则化抵抗过拟合介绍

     上一的篇章已经介绍过抵抗过拟合的几种方法，其中正则化就是其中的一种。使用正则化一般有两种方法：L1正则化和L2正则化，L1正则化可达到模型参数疏化效果，L2正则化使模型参数值衰减，使模型参数值都接近0，使用正则化的目的是：使最后的代价函数减小，但适用于更深层网络，更复杂的任务。其中L1正则化的表达式为：
$$C=C_0+\frac{\lambda }{n}\sum \mid w\mid$$
其中，$C$为最终求解的代价函数，$C_0$为原始代价函数，$n$为样本个数，$\lambda$为正则项系数，用来权衡正则项与$C_0$项比重。

     L2正则化的表达式为：
$$C=C_0+\frac{\lambda }{2n}\sum \mid w^2\mid$$
其中，$C$为最终求解的代价函数，$C_0$为原始代价函数，$n$为样本个数，$\lambda$为正则项系数，用来权衡正则项与$C_0$项比重。

二、使用正则化进行MNIST数据集分类

     下面就是加入了正则化项对MNIST数据集进行分类，我们对MNIST数据集使用上一篇的神经网络结构，即784-200-100-10，输入层有784个神经元，有两个隐藏层：第一个隐藏层是200个神经元，第二个隐藏层是100个神经元，输出层是10个神经元。具体如下：

import numpy as np
from keras.datasets import mnist
# keras提供的numpy工具包
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
# 正则化包
from keras.regularizers import l2

# 载入数据
(x_train,y_train), (x_test,y_test) = mnist.load_data()

# (6000,28,28)
print('x_shape:', x_train.shape)
# (6000)
print('y_shape:', y_train.shape)

# 进行数据转换,并归一化
# (60000,28,28) -> (60000, 784)
x_train = x_train.reshape(x_train.shape[0], -1)/255.0
x_test = x_test.reshape(x_test.shape[0], -1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)

# 创建模型: 784-200-100-10, kernel_regularizer表示正则化项使用
model = Sequential([
        Dense(units=200, input_dim=784, bias_initializer='one', activation='tanh', kernel_regularizer=l2(0.0003)),
        Dense(units=100, bias_initializer='one', activation='tanh', kernel_regularizer=l2(0.0003)),
        Dense(units=10, bias_initializer='one', activation='softmax', kernel_regularizer=l2(0.0003))
    ])

# 定义优化
sgd = SGD(lr=0.2)

# 定义优化器，loss function, 训练过程中的准确率
model.compile(
    optimizer = sgd,
    loss = 'categorical_crossentropy',
    metrics = ['accuracy']
)

# 进行模型训练
model.fit(x_train, y_train, batch_size=32, epochs=10)


# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('\ntest loss:', loss)
print('test accuracy:', accuracy)

loss, accuracy = model.evaluate(x_train, y_train)
print('\ntrain loss:', loss)
print('train accuracy:', accuracy)

# 输出结果：
# x_shape: (60000, 28, 28)
# y_shape: (60000,)
# Epoch 1/10
# 60000/60000 [==============================] - 7s 124us/step - loss: 0.4438 - acc: 0.9103
# Epoch 2/10
# 60000/60000 [==============================] - 7s 121us/step - loss: 0.2617 - acc: 0.9599
# Epoch 3/10
# 60000/60000 [==============================] - 8s 126us/step - loss: 0.2184 - acc: 0.9694
# Epoch 4/10
# 60000/60000 [==============================] - 7s 125us/step - loss: 0.1930 - acc: 0.9744
# Epoch 5/10
# 60000/60000 [==============================] - 7s 120us/step - loss: 0.1802 - acc: 0.9764
# Epoch 6/10
# 60000/60000 [==============================] - 7s 118us/step - loss: 0.1687 - acc: 0.9782
# Epoch 7/10
# 60000/60000 [==============================] - 8s 129us/step - loss: 0.1621 - acc: 0.9791
# Epoch 8/10
# 60000/60000 [==============================] - 8s 126us/step - loss: 0.1571 - acc: 0.9808
# Epoch 9/10
# 60000/60000 [==============================] - 8s 127us/step - loss: 0.1551 - acc: 0.9806
# Epoch 10/10
# 60000/60000 [==============================] - 8s 128us/step - loss: 0.1509 - acc: 0.9812
# 10000/10000 [==============================] - 1s 55us/step

# test loss: 0.1696284313082695
# test accuracy: 0.9735
# 60000/60000 [==============================] - 3s 49us/step

# train loss: 0.14487112503449123
# train accuracy: 0.9829666666666667

     使用正则化后，我们观察最终测试集和训练集的预测结果，可以粗略看出两者的结果相差不大，但是在这个案例中体现也不是太明显，如果我们在训练大型复杂数据时，就能切实感受到带来的好处。

     
     
     
     
【参考】：
     1. 城市数据团课程《AI工程师》计算机视觉方向
     2. deeplearning.ai 吴恩达《深度学习工程师》
     3. 《机器学习》作者：周志华
     4. 《深度学习》作者：Ian Goodfellow

---

转载声明：
版权声明：非商用自由转载-保持署名-注明出处
署名 ：mcyJacky
文章出处：https://blog.csdn.net/mcyJacky