权重衰减方法解决过拟合现象对比实验

#coding=utf-8
import torch
from torch import nn
from d2l import torch as d2l

#生成人工数据集
n_train,n_test,num_inputs,batch_size=20,100,200,5
#torch.ones(num_inputs,1)生成全为1的(num_inputs,1)形状的张量
true_w,true_b=torch.ones(num_inputs,1)*0.01,0.05

train_data=d2l.synthetic_data(true_w,true_b,n_train)
train_iter=d2l.load_array(train_data,batch_size)
test_data=d2l.synthetic_data(true_w,true_b,n_test)
test_iter=d2l.load_array(test_data,batch_size,is_train=False)

#初始化模型参数
def init_params():
    w=torch.normal(0,1,size=(num_inputs,1),requires_grad=True)
    #创建形状为(1,)的全零张量，并且进行梯度跟踪
    b=torch.zeros(1,requires_grad=True)
    return [w,b]

#定义L2范数惩罚
def l2_penalty(w):
    return torch.sum(w.pow(2))/2

#训练代码实现
def train(lambd):
    w,b=init_params()
    #lambda x,是一种匿名函数，使用在只需要定义一次函数的地方
    net ,loss=lambda x:d2l.linreg(x,w,b),d2l.squared_loss
    num_epochs,lr=100,0.03
    #创建动态图
    animator=d2l.Animator(xlabel="epochs",ylabel="loss",yscale="log",
                          xlim=[5,num_epochs],legend=["train","test"])
    for epoch in range(num_epochs):
        for x,y in train_iter:
            #with torch.enable_grad():
            l=loss(net(x),y)+lambd*l2_penalty(w)
            l.sum().backward()
            d2l.sgd([w,b],lr,batch_size)
        if (epoch+1)%5==0:
            animator.add(epoch+1,(d2l.evaluate_loss(net,train_iter,loss),d2l.evaluate_loss(net,test_iter,loss)))

    print("w的L2范数",torch.norm(w).item())

train(lambd=0)
train(lambd=3)

lambd=0时，没有加入权重衰减

lambd=3时，是加入了权重衰减

关于权重衰减原理的介绍可以参考此篇博客：权重衰减weight_decay参数从入门到精通-CSDN博客