深度学习 —— 正则化

一、过拟合与正则化作用

 

1、先了解什么是过拟合

了解什么是过拟合问题，以下面图片为例，我们能够看到有两个类别，蓝色是分类曲线模型。

 

• 欠拟合：图1分类，不能很好的将X和O很好的分类，属于欠拟合。
• 正拟合：图2有两个X被误分类，但是大部分数据都能很好的分类，误差在可接受范围内，分类效果好，属于良好的拟合模型。
• 过拟合：图3虽然能够全部分类正确，但分类曲线明显过于复杂，模型学习的时候学习了过多的参数项，但其中某些参数项是无用的特征。当我们进行识别测试集数据时，就需要提供更多的特征，如果测试集包含海量的数据，模型的时间复杂度可想而知。

 

2、正则化作用

模型过拟合是因为模型过于复杂，可以通过对特征变量系数的调整来避免过拟合，而引入正则化正是为了实现这个目的，具体如何实现将在下一节说明。

常见的正则化方法有这几种：

• 当参数是向量的时候（如logistics回归，参数为$\left (\theta _{i}:\theta _{1},\theta _{2},...,\theta _{n}  \right )$），有L1正则化、L2正则化。

• 当参数是矩阵的时候（如神经网络的权重矩阵W），这时候用的是F-1范数正则化、F-2范数正则化，现在基本都是使用F-2范数正则化比较多。
• 神经网络还有Drop正则化。
• 增加训练集的数据量可以避免过拟合，另外有些模型可以用集成学习的Bagging、boost方法来进行正则化。

 

---

 

二、神经网络的L1、L2正则化

 

1、矩阵的F-1范数、F-2范数

说明：这里的F-范数指的是Frobenius范数，和logistics回归的L1、L2正则化的向量范数不一样。

矩阵的F-1范数：矩阵所有元素的绝对值之和。公式为：

$$\left \| W \right \|_{1}=\sum_{i,j}\left |\omega _{i,j}  \right |$$

矩阵的F-2范数：矩阵所有元素的平方求和后开根号。公式为：

$$\left \| W \right \|_{2}=\sqrt{\sum_{i,j}\left (\omega _{i,j}  \right )^{2}}$$

 

2、L1正则化与L2正则化

假设神经网络的损失函数为J(W,b)，参考逻辑回归的正则化，是在损失函数J(W,b)后面加一个正则化项，神经网络DNN也是一样的，只是变成了加F-范数，L1正则化与L2正则化如下所示：

$$L1: J(W,b)+\frac{\lambda }{2m}\sum_{l\epsilon L}\left \| W \right \|_{1}=J(W,b)+\frac{\lambda }{m}\sum_{l\epsilon L}\sum_{i,j}\left |\omega _{i,j}  \right |$$

$$L2: J(W,b)+\frac{\lambda }{2m}\sum_{l\epsilon L}\left \| W \right \|_{2}=J(W,b)+\frac{\lambda }{2m}\sum_{l\epsilon L}\sqrt{\sum_{i,j}\left (\omega _{i,j}  \right )^{2}}$$

这里m为样本数，l为各个隐藏层，$\lambda$为超参数，需要自己调试，L2中2m是为了后面求梯度的时候可以抵消掉常数2。

 

3、以L2正则的权重衰减防止过拟合

由于L1正则与L2正则原理相似，而且大多数神经网络模型使用L2正则，所以这里以L2为例来说明为什么能防止过拟合。

 

直观理解：

原损失函数$J(W,b)$加上正则项$\frac{\lambda }{2m}\sum_{l\epsilon L}\left \| W \right \|_{2}$之后的新损失函数$J(W,b)^{'}=J(W,b)+\frac{\lambda }{2m}\sum_{l\epsilon L}\left \| W \right \|_{2}$，在使用梯度下降训练模型时，目标是要最小化新的损失函数$ J(W,b)^{'}$，我们在训练前先设置超参数$\lambda$，若设置较大的超参数$\lambda=0.9$，则相对于设置较小的超参数$\lambda=0.1$，我们需要更小的权重F-2范数$\left \| W \right \|_{2}$才能够使得我们达到最小化$ J(W,b)^{'}$的目的。所以如果我们使用较大的超参数$\lambda$的时候，会使得W整体变得更加的稀疏，这样就可以使得W的影响减少，从而避免了由于模型过于复杂导致的过拟合。

 

公式推导（以平方差损失函数为例，即$J(W,b)=\frac{1}{2m}\sum_{m}\left \| a^{L}-y \right \|_{2}^{2}$）：

$$原损失函数：$$J(W,b)$$

$$原损失函数对第l层的权重矩阵W求梯度：$$\frac{J(W,b) }{\partial W^{l}}$$

$$原损失函数的W迭代公式为：$$W^{l}=W^{l}-\alpha \frac{J(W,b) }{\partial W^{l}}，其中\alpha为学习率$$

$$新损失函数：$$J(W,b)^{'}=J(W,b)+\frac{\lambda }{2m}\sum_{l\epsilon L}\left \| W \right \|_{2}$$

$$新损失函数对第l层的权重矩阵W求梯度：$$\frac{J(W,b)^{'} }{\partial W^{l}}=\frac{J(W,b) }{\partial W^{l}}+\frac{\lambda }{m}W^{l}$$

$$新损失函数的W迭代公式为：$$W^{l}=W^{l}-\alpha \frac{J(W,b) }{\partial W^{l}}-\alpha \frac{\lambda }{m}W^{l}=\left ( 1- \alpha \frac{\lambda }{m}\right )W^{l}-\alpha \frac{J(W,b) }{\partial W^{l}}，其中\alpha为学习率$$

对比原迭代公式与新迭代公式可以发现，原迭代公式W的系数为1，新迭代公式的系数为$\left ( 1- \alpha \frac{\lambda }{m}\right )$，由于$\alpha$、$\lambda$、m都是正数，所以新迭代公式在原来的基础上使权重矩阵W进行了缩减，使得W变得更小，这就是L2正则的权重衰减，这样可以使得一些权重的值等于或更接近与0，从而减少了一些权重的影响，以极端情形来说，如果衰减后权重为零，即该神经元的影响为0，相当于神经元从神经网络中去除，这样就减少了神经元的个数，从而降低了模型的复杂度，防止了过拟合。

 

4、L1正则化与L2正则化的区别

L1 正则化项的效果是让权值 W 往 0 靠，使网络中的权值尽可能为 0，也就相当于减小了网络复杂度，防止过拟合。事实上，L1 正则化能产生稀疏性，导致 W 中许多项变成零。

L2 正则化项的效果是减小权值 W。事实上，更小的权值 W，从某种意义上说，表示网络的复杂度更低，对数据的拟合刚刚好。

 

---

 

三、神经网络的Drop正则化

 

说明：所谓的Dropout指的是在用前向传播算法和反向传播算法训练DNN模型时，一批数据迭代时，随机的从全连接DNN网络中去掉一部分隐藏层的神经元，下面用两个图来解释：

原始的神经网络结构：

在对训练集中的一批数据进行训练时，我们随机去掉一部分隐藏层的神经元（在训练模型的时候通常选择随机去除50%的神经元，长期实践证明效果较好），如下图：

总结Drop：去掉的神经元只是在当前的批次数据迭代中才去除，在下一批数据迭代的时候，要把DNN模型恢复成最初的全连接模型，再随机去掉部分隐藏层的神经元，接着去迭代更新W,b，每批数据迭代更新完毕后，要将残缺的DNN模型恢复成原始的DNN模型。

注意：Drop只有在数据量大的时候才能够使用，若数据量小可能会造成欠拟合的情况，另外，可以在容易造成过拟合的隐藏层使用Drop正则化。

转载于:https://www.cnblogs.com/dwithy/p/11269994.html