1、原理简述
dropout简单来讲,就是在迭代的过程中,随机的丢弃掉某些神经元,使得其训练只包含部分神经元的网络,因为任何神经元都有可能消失,所以模型会变得对神经元不那么敏感,表现就是对参数W的压缩,起到与L2正则化类似的作用。
执行步骤:
1->随机生成一个数值在(0-1)之间的,与A[l]维数相同的矩阵,drop_prob是保留概率
D[l] = np.random.rand(A[l].shape[0],A[l].shape[1])<drop_prob
2->丢弃部分神经元(前向传播)
A[l] = A[l]*D[l]
A[l] = A[l]/drop_prob #保持期望值一样
3->丢弃部分神经元(后向传播)
dA[l] = dA[l]*D[l]
dA[l] = dA[l]/drop_prob #保持期望值一样
2、实验结果
不使用正则化,即drop_prob=1.0
训练正确率:1.0
测试错误率:0.925
使用Dropout正则化,drop_prob=0.6
训练正确率:0.919431279620853
测试错误率:0.95
以上可以看出,Dropout正则化可以有效的抑制神经网络过拟合
3、python实现
import numpy as np
import matplotlib.pyplot as plt
import nn_utils
train_x,train_y,test_x,test_y = nn_utils.load_2D_dataset()#导入数据
nTrain = train_x.shape[1]
nTest = test_x.shape[1]
#初始化超参数----------------------------------------
layers = [train_x.shape[0], 50, 35, 20, 10, 1] #网络结构
alpha = 0.02 #学习率
drop_prob = 0.6 #神经元保留概率
Iterations = 40000 #迭代次数
nLayers = len(layers)-1 #网络层数
#初始化W,b-------------------------------------------
W = [[] for i in range(nLayers+1)]
b = [[] for i in range(nLayers+1)]
for l in range(1,nLayers+1):
W[l] = np.random.randn(layers[l],layers[l-1])/(np.sqrt(layers[l-1]/2))
b