深度学习模型中的过拟合良方【Dropout】

Dropout是什么？

Dropout是深度神经网络优化训练过程的一个算法。是由“AI教父”Geoff Hinton在其论文《Improving neural networks by preventing co-adaptation of feature detectors》中提出并在论文《Dropout: A Simple Way to Prevent Neural Networks from Overfitting》详细介绍。论文开篇就指出：当一个大的神经网络用来训练一个小的数据集时，会造成过拟合，使其得到的模型在测试集上的表现会不好。

而在训练过程中使用Dropout算法，可以防止模型过拟合。如下图所示，模型在使用Dropout之后网络中的某些神经元不被激活，暂时停止参与计算。

根据上述分析，dropout不仅有防止模型过拟合，同时减少了计算量。

Dropout的原理

假设一个神经网络有$L$个隐藏层，每个隐藏层的索引 l ∈ { 1 , . . . , L } l \in \{1,...,L\} l∈{1,...,L}，一个标准的神经网络神经元计算为：$$z_i^{(l+1)}=w_i^{(l+1)}{y}^l+b_i^{(l+1)}$$$$y_i^{(l+1)}=f(z_i^{(l+1)})$$其中$z^l$表示第$l$层的输入向量，$y^l$表示第$l$层的输出向量（$y^0=x$），$w^l$和$b^l$表示第$l$层的权重和偏置项，$f$表示激活函数。

带有Dropout算法的神经元训练计算有两个阶段：训练阶段和测试阶段

训练时神经元计算如下：$$r_j^l=Bernoulli(p)$$$${\tilde{\mathrm{y}}}^l=r^l\ast y^l$$$$z_i^{(l+1)}=w_i^{(l+1)}{\tilde{\mathrm{y}}}^l+b_i^{(l+1)}$$$$y_i^{(l+1)}=f(z_i^{(l+1)})$$

测试时，则预测模型每个神经元的权重参数要乘以概率$p$，即$w_{test}^l=p{w}^l$

Dropout如何防止过拟合

如上所述，Dropout在训练过程中有一个随机概率$p$参与计算，因为这个概率$p$使得模型训练时以这个概率随机地“临时丢弃”一部分神经元节点。具体来讲， Dropout 作用于每份小批量训练数据，由于真随机丢弃部分神经元的机制，相当于每次迭代都在训练 不同结构的神经网络 。类比于 Bagging方法， Dropout可被认为是一种实用的大规模深度神经网络的模型集成算法。 这是由于传统意义上的Bagging涉及多个模型的同时训练与测试评估，当网络与参数规模庞大时 ，这种集成方式需要消耗大量的运算时间与空间 。Dropout在小批量级别上的操作，提供了一种轻量级的Bagging集成近似，能够实现指数级数量神经网络的训练与评测。

Dropout的具体实现中，要求某个神经元节点激活值以一定的概率$p$被“丢弃”，即该神经元暂时停止工作，如上第一张图。因此，对于包含$N$个神经元节点的网结，在Dropout的作用下可看作为$2^N$个模型的集成。这$2^N$个模型可认为是原始网络的子网络，它们共享部分权值，并且具有相同的网络层数，而模型整体的参数数目不变，这就大大简化了运算。对于任意神经元，每次训练中都与一组随机挑选的不同的神经元集合共同进行优化，这个过程会减弱全体神经元之间的联合适应性，减少过拟合的风险，增强泛化能力。

参考资料：

1. 深度学习中Dropout原理解析
2. 百面机器学习（$P_{217}-P_{219}$）
3. Improving neural networks by preventing co-adaptation of feature detectors
4. Dropout: A Simple Way to Prevent Neural Networks from Overfitting