李沐-丢弃法dropout

最新推荐文章于 2024-03-28 16:31:26 发布

暄染落墨

最新推荐文章于 2024-03-28 16:31:26 发布

阅读量599

点赞数 2

文章标签：神经网络深度学习

本文链接：https://blog.csdn.net/qq_36136196/article/details/118569891

版权

本文探讨了如何通过在神经网络中使用丢弃法（dropout）提高模型鲁棒性，介绍了Tikhonov正则化的概念，并展示了如何在PyTorch中实现dropout层。重点讲解了dropout在全连接层的运用和其在训练与推理阶段的不同效果，同时提到了dropout与权重衰减的区别。

摘要由CSDN通过智能技术生成

理论

动机：一个好的模型需要对输入数据的扰动鲁棒！

使用有噪音的数据等价于Tikho’nov正则
丢弃法：在层之间加入噪音

无偏差的加入噪音

3.使用丢弃法

推理中的丢弃法

总结

代码

在这里插入图片描述

import torch
from torch import nn
from d2l import torch as d2l

def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1
    # 在本情况中，所有元素都被丢弃。
    if dropout == 1:
        return torch.zeros_like(X)
    # 在本情况中，所有元素都被保留。
    if dropout == 0:
        return X
    mask = (torch.Tensor(X.shape).uniform_(0, 1) > dropout).float()
    return mask * X / (1.0 - dropout)

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))))
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            # 在第二个全连接层之后添加一个dropout层
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        return out

net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)

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)

注意
在上边没有初始化参数，是nn.Linear中初始化了
在这里插入图片描述
而下边初始化是用的特定实现（下边是pytorch的demo)
参考博文https://blog.csdn.net/qq_37025073/article/details/106739513

>>> m = nn.Linear(20, 30)
>>> input = torch.randn(128, 20)
>>> output = m(input)
>>> print(output.size())
torch.Size([128, 30])

简洁实现

net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.ReLU(),
                    # 在第一个全连接层之后添加一个dropout层
                    nn.Dropout(dropout1), nn.Linear(256, 256), nn.ReLU(),
                    # 在第二个全连接层之后添加一个dropout层
                    nn.Dropout(dropout2), nn.Linear(256, 10))

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights);

trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

QA

一般地，把模型弄大一点，dropout一下，会比模型小一些效果更好。
BN用在卷积（CNN），dropout用在全连接层上（MLP）
在预测/推理时，不需要更新权重，不用dropout的。训练时才用。推理时只关心某一个样本，则dropout的不稳定性很致命，而训练时，要训练非常多次，参数也是要更新的。
随机dropout，推理时不会翻倍。因为有1-p存在，均值保持不变，
丢弃法（dropout）和权重衰减（weigh decay）都是正则，但* dropout一般用在全连接层，效果也好，weigh decay可以用在各个地方，比如全连接层，卷积层。
dropout一般有0.1，0.5，0.9三个值，好调参。