【动手学深度学习】13.丢弃法（暂退法）--防止过拟合（线性模型使用该方法）

本文链接：https://blog.csdn.net/qq_21506765/article/details/126497704

1、策略

丢弃法：在层之间加入噪音。
在这里插入图片描述

在这里插入图片描述

2、使用流程

在这里插入图片描述

3、推理中的丢弃法

正则项只在训练中使用：他们影响模型参数的更新
在推理过程中，丢弃法直接返回输入
$\mathbf{h}=\text { dropout }(\mathbf{h})$
- 这样也能保证确定性的输出
  总结：
丢弃法将一些输出项随机置0来控制模型复杂度。
常做用在多层感知机的隐藏层输出上。
丢弃概率是控制模型复杂度的超参数。

4、暂退法的实现

droup函数实现

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
    mask = (torch.rand(X.shape)> dropout).float()       #生成0-1均匀分布然后大于dropout的取0
    return mask * X / (1.0 - dropout)                   #均匀分布可以模拟出现的概率

网络实现

X = torch.arange(16, dtype=torch.float32).reshape((2, 8))    #生成一个droupt矩阵
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256

dropout1, dropout2 = 0.2, 0.5

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)

训练

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss()
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)

在这里插入图片描述