Dropout

最新推荐文章于 2024-01-16 17:17:36 发布

HHHTTY-

最新推荐文章于 2024-01-16 17:17:36 发布

阅读量1.5k

点赞数

分类专栏：机器学习文章标签：机器学习深度学习神经网络

本文链接：https://blog.csdn.net/weixin_43338969/article/details/129132896

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、Dropout出现的原因

在机器学习的模型中

如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象
在训练神经网络的时候经常会遇到过拟合的问题
过拟合具体表现在：
- 模型在训练数据上损失函数较小，预测准确率较高；
- 但是在测试数据上损失函数比较大，预测准确率较低。

过拟合是很多机器学习的通病。

如果模型过拟合，那么得到的模型几乎不能用。
为了解决过拟合问题，一般会采用模型集成的方法，即训练多个模型进行组合。
此时，训练模型费时就成为一个很大的问题，不仅训练多个模型费时，测试多个模型也是很费时。

综上所述，训练深度神经网络的时候，总是会遇到两大缺点：

容易过拟合
费时

Dropout可以比较有效的缓解过拟合的发生，在一定程度上达到正则化的效果。

二、什么是Dropout？

Dropout

用来解决overfitting的，如果在训练集上实验效果就不理想，那么加了dropout也救不了
Dropout常作用在多层感知机的隐藏层输出上（CNN类用得不多）

Dropout说简单一点就是：

在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作
这样可以使模型泛化性更强
因为它不会太依赖某些局部的特征
如图所示

三、为什么Dropout解决过拟合?

3.1 取平均的作用

标准的模型，即没有dropout

用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果
此时可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果
这种“综合起来取平均”的策略通常可以有效防止过拟合问题
因为不同的网络可能产生不同的过拟合，取平均则有可能让一些“相反的”拟合互相抵消。

dropout掉不同的隐藏神经元就类似在训练不同的网络

随机删掉一半隐藏神经元导致网络结构已经不同
整个dropout过程就相当于对很多个不同的神经网络取平均
而不同的网络产生不同的过拟合，一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合

3.2 减少神经元间复杂的共适应关系

因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现

这样权值的更新不再依赖于有固定关系的隐含节点的共同作用
阻止了某些特征仅仅在其它特定特征下才有效果的情况
迫使网络去学习更加鲁棒的特征，这些特征在其它的神经元的随机子集中也存在

换句话说假如神经网络是在做出某种预测，它不应该对一些特定的线索片段太过敏感

即使丢失特定的线索，它也应该可以从众多其它线索中学习一些共同的特征
从这个角度看dropout就有点像L1，L2正则
减少权重使得网络对丢失特定神经元连接的鲁棒性提高

四、实现Dropout—— pytorch

Dropout

训练的时候
- 需要声明model.train()（不声明也行，因为默认是train状态）
测试的时候
- 需要声明model.eval()
- 如果不希望开启dropout进行训练，所有的神经元都参与前向传播和反向传播的话，在训练阶段开启前声明model.eval()即可

example 1


#导入库
import torch
 
 
#神经网络结构声明
net=torch.nn.Sequential(
    torch.nn.Linear(1,16),
    torch.nn.Dropout(p=0.5),
    torch.nn.ReLU(),
    torch.nn.Linear(16,2)
    )
 
net.train()
net.eval()

example 2


Sequential(
  (0): Linear(in_features=1, out_features=16, bias=True)
  (1): Dropout(p=0.5, inplace=False)
  (2): ReLU()
  (3): Linear(in_features=16, out_features=2, bias=True)
)

example 3

class Model(nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        # 定义多层神经网络
        self.fc1 = torch.nn.Linear(8,6)
        self.fc2 = torch.nn.Linear(6,4)
        self.fc3 = torch.nn.Linear(4,1)
        
    def forward(self,x):
        x = F.relu(self.fc1(x))            # 8->6
        x = F.dropout(x,p=0.5)             #dropout 1 此处为dropout
        x = F.relu(self.fc2(x))            #-6->4
        x = F.dropout(x,p=0.5)             # dropout 2  #此处为drouout
        y_pred = torch.sigmoid(self.fc3(x))         # 4->1 ->sigmoid 
        # warnings.warn("nn.functional.sigmoid is deprecated. Use torch.sigmoid instead."
        return y_pred