《动手深度学习》权重衰退与丢弃法

一、权重衰退

1、使用均方范数作为硬性限制

通过限制参数值的选择范围来控制模型容量

通常不限制偏移b（限不限制都差不多）

小的θ意味着更强的正则项

2、使用均方范数作为柔性限制

3、参数更新法则

计算梯度

时间t更新参数

4、权重衰退通过L2正则项使得模型参数不会过大，从而控制模型复杂度

正则项权重控制模型复杂度的超参数

二、丢弃法

1、一个好的模型需要对输入数据的扰动鲁棒，使用有噪音的数据等价于Tikhonov正则，不同于在输入数据中加噪音，丢弃法是在层之间加入噪音

2、无偏差的加入噪音

对x加入噪音得到x'，期望E[x']=x；

丢弃法对每个元素进行如下扰动

3、通常将丢弃法作用在隐藏全连接层的输出上

4、推理中的丢弃法

正则项只在训练中使用：他们影响模型参数的更新

在推理过程中，丢弃法直接返回输入h=dropout（h），这样也能保证确定性的输出

5、丢弃法将一些输出项随机置0来控制模型复杂度

常作用在多层感知机的隐藏层输出上

丢弃概率是控制模型复杂度的超参数