一、暂退法与过拟合
1、好的模型需要对输入的数据的扰动具有鲁棒性(抗干扰能力)
2、使用有噪音的数据等价于Tikhonov正则,丢弃法其实是一个正则,正则都是为了使权重不要过大,使训练过拟合
3、有噪音训练会出现过拟合,但加入随机扰动可以防止过拟合。数据自带的噪音可能存在偏好,加入随机噪音后,能把这种偏好抵消一些。
4、丢弃法(暂退法)就是在层之间加入噪音
二、无偏差加入噪音
要保持前后期望E不变
三、使用丢弃法
1、通常将丢弃法作用在隐藏层
2、超参数与作用式
3、正则式只在训练中使用,用于控制w超参数范围来限制模型的复杂度,防止过拟合。
在预测中,不进行训练时,直接返回不做丢弃:即一旦模型训练完成,并且在测试集上验证模型的性能后,我们希望使用模型进行实际的预测或应用。在这个阶段,不再需要使用正则化来限制模型的复杂度,因为我们关心的是模型在新数据上的预测能力。
四、总结
-
暂退法在前向传播过程中,计算每一内部层的同时丢弃一些神经元。
-
暂退法可以避免过拟合,它通常与控制权重向量的维数和大小结合使用的。
-
暂退法将活性值ℎ替换为具有期望值ℎ的随机变量。
五、代码
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 #bool类型的矩阵0、1,再转化为float类型,这样就能随机使一些元素置为0 mask = (torch.rand(X.shape) > dropout).float() return mask * X / (1.0 - dropout)
1、测试dropout_layer
函数
X= torch.arange(16, dtype = torch.float32).reshape((2, 8)) print(X) print(dropout_layer(X, 0.)) print(dropout_layer(X, 0.5)) print(dropout_layer(X, 1.))
2、定义具有两个隐藏层的多层感知机,每个隐藏层包含256个单元。
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
3、定义模型
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)
4、训练和测试
num_epochs, lr, batch_size = 10, 0.5, 256 loss = nn.CrossEntropyLoss(reduction='none') 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)
六、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);