pytorch设置l2正则_深度学习模型训练中过拟合、欠拟合与正则化是什么？

1、过拟合与欠拟合的区别是什么，什么是正则化？

不同曲线，对于样本的表达能力，各不相同，上图的几根曲线中：

曲线1，使用一阶曲线，即直线模型，过于简单，出现大量的错误分类，此时的误差较大，模型欠拟合。

曲线2，使用高阶曲线，几乎是完美的完成拟合任务，但如此严格的模型，当新的样本与训练样本稍有不同，极有可能出现误判，此时模型过拟合。

而曲线3，一条相对平滑的曲线，基本能完成拟合任务，同时对于个别噪点也没那么敏感。是一个较为理想的模型。

欠拟合指的是模型不能够再训练集上获得足够低的训练误差，往往由于特征维度过少，导致拟合的函数无法满足训练集，导致误差较大。

过拟合指的是模型训练误差与测试误差之间差距过大；具体来说就是模型在训练集上训练过度，导致泛化能力过差。

所有为了减少测试误差的策略统称为正则化方法，不过代价可能是增大训练误差。

2、解决欠拟合的方法有哪些

降低欠拟合风险主要有以下3类方法。

1. 加入新的特征，对于深度学习来讲就可以利用因子分解机、子编码器等。
2. 增加模型复杂度，对于线性模型来说可以增加高次项，对于深度学习来讲可以增加网络层数、神经元个数。
3. 减小正则化项的系数，从而提高模型的学习能力。

3、防止过拟合的方法主要有哪些

1.正则化

正则化包含L1正则化、L2正则化、混合L1与L2正则化。

L1正则化目的是减少参数的绝对值总和，定义为：

L2正则化目的是减少参数平方的总和，定义为：

**混合L1与L2**正则化是希望能够调节L1正则化与L2正则化，定义为：

因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0，产生稀疏权重矩阵。而L2正则化的最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。

所以由于L1正则化导致参数趋近于0，因此它常用于特征选择设置中。而机器学习中最常用的正则化方法是对权重施加L2范数约束。

L1正则化与L2正则化还有个重要区别就是L1正则化可通过假设权重w的先验分布为拉普拉斯分布，由最大后验概率估计导出。L2正则化可通过假设权重w的先验分布为高斯分布，由最大后验概率估计导出。

2.Batch Normalization

Batch Normalization是一种深度学习中减少泛化误差的正则化方法，主要是通过缓解梯度下降加速网络的训练，防止过拟合，降低了参数初始化的要求。

由于训练数据与测试数据分布不同会降低模型的泛化能力。因此，应该在开始训练前对数据进行归一化处理。因为神经网络每层的参数不同，每一批数据的分布也会改变，从而导致每次迭代都会去拟合不同的数据分布，增大过拟合的风险。

Batch Normalization会针对每一批数据在输入前进行归一化处理，目的是为了使得输入数据均值为0，标准差为1。这样就能将数据限制在统一的分布下。

3.Dropout

Dropout是避免神经网络过拟合的技巧来实现的。Dropout并不会改变网络，他会对神经元做随机删减，从而使得网络复杂度降低，有效的防止过拟合。

具体表现为：每一次迭代都删除一部分隐层单元，直至训练结束。

运用Dropout相当于训练了非常多的仅有部分隐层单元的神经网络，每个网络都会给出一个结果，随着训练的进行，大部分网络都会给出正确的结果。

4.迭代截断

迭代截断主要是在迭代中记录准确值，当达到最佳准确率的时候就截断训练。

5.交叉验证

K-flod交叉验证是把训练样本分成k份，在验证时，依次选取每一份样本作为验证集，每次实验中，使用此过程在验证集合上取得最佳性能的迭代次数，并选择恰当的参数。