0.过拟合
深度学习模型的过拟合通常是指针对设计好的深度学习网络,在使用训练数据集训练时,在训练数据集上可以获得很高的识别精度(针对分类问题),或者很低的均方根误差(很对回归问题),但是把训练好的模型应用于测试集进行预测时,预测效果往往不是很理想。我们称这种现象为过拟合。
1.如何防止过拟合
1.1 增加数据量
更多的训练样本通常会使得模型更加稳定,所以训练样本的增加不仅可以得到更有效的训练结果,也能在一定程度上防止模型过拟合,增强网络的泛化能力。,例如在图像的分类任务中,物体在图像中的位置、姿态、尺度、图像的明暗都会影响分类效果,所以可以通过平移、旋转、缩放等手段对数据进行扩充。
1.2 合理的数据分配
将数据集分为训练集train、验证集valid、测试集test,一般按照比例7:1:2或6:2:2或8:1:1,但当数据集有几百万甚至上亿的时候,更好的方式是将98%分配为训练集,验证集和测试集分别占比1%,此时既可以保证足够多的样本进行训练,也可以通过验证集来监督网络的学习过程,可以在网络过拟合之前终止网络的训练
1.3 添加正则项
正则化通常是在损失函数上添加对训练参数的惩罚范数,通过添加的范数惩罚对需要训练的参数进行约束,防止模型过拟合。常用的正则化参数有 L 1 L_1 L1和 L 2 L_2 L2范数。
正则项 | 目的 | 如何防止过拟合 |
---|---|---|
L 1 L_1 L1 | 将参数的绝对值最小化 | L 1 L_1 L1参数趋向于使用更少的参数,从而增加网络的稀疏性,防止模型过拟合 |
L 2 L_2 L2 | 将参数的平方和最小化 | L 2 L_2 L2约束则会选择更多的参数,但是这些参数都会接近于0,防止模型过拟合 |
1.4 使用dropout
在深度学习过程中,可以通过引入Dropout层,随机丢掉一些神经元,以减轻网络的过拟合现象。
1.5 提前结束训练
防止网络过拟合的最直观的方式就是提前终止网络的训练,通常配合数据集的划分方式,将数据划分为训练集、验证集、测试集,当验证集上的损失值不再减小的时候或精度不再增加的时候,可以停止网络的训练。