欠拟合、过拟合
欠拟合:
刚开始训练时是欠拟合,训练集loss大,验证集loss也大
解决:
① 增加输入特征项
② 增加网络参数
③ 减少正则化参数
过拟合:
拟合的太好,噪声也能拟合上,模型缺乏泛化,表现为训练集loss小,验证集loss大
解决:
① 数据清洗
② 增大训练集
③ 采用正则化
④ 增大正则化参数
正则化:
正则化在损失函数中引入模型复杂指标,即:给W加权值,弱化训练
loss = loss(y 与 y_) + REGULARIZER * loss(w)
正则化的选择:
L1正则化:
会使参数变为0,该方法可以通过稀疏参数,减少参数的数量,降低复杂度
【补充计算过程】
L2正则化:
会使参数接近0,不等于0,该方法可以通过减少参数数值,降低复杂度
【补充计算过程】
示例:
with tf.GradientTape() as tape:
h1 = tf.matmul(x_train, w1) + b1
h1 = tf.nn.relu(h1)
y = tf.matmul(h1,w2) + b2
loss_mse = tf.reduce_mean(tf.square(y_train-y))
loss_regularization = []
loss_regularization.append(tf.nn.l2_loss(w1))
loss_regularization.append(tf.nn.l2_loss(w2))
loss_regularization = tf.reduce_sum(loss_regularization)
losss = loss_mse + loss_regularization
神经网络优化器:
1、计算t时刻损失函数关于当前参数的梯度:g(t) = Зloss / ЗW(t)
2、计算ts时刻一阶动量m(t)和二阶动量V(t)
一阶动量:与梯度相关的函数
二阶动量:与梯度的平方相关的函数
3、计算t时刻下降梯度:η = lr * m(t) / sqrt(v(t))
4、计算t+1时刻参数:w(t+1) = w(t) - η(t) = w(t) - lr * m(t) / sqrt(v(t))