pytorch基础(九)-正则化

最新推荐文章于 2024-07-20 10:30:00 发布

An_ich

最新推荐文章于 2024-07-20 10:30:00 发布

阅读量673

点赞数 6

分类专栏： pytorch基础文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/weixin_62891098/article/details/135395803

版权

pytorch基础专栏收录该内容

12 篇文章 1 订阅

订阅专栏

本文详细解释了过拟合及其与正则化的关系，重点介绍了L1和L2正则化的方法，以及如何在PyTorch中通过SGD优化器应用权重衰减来防止过拟合，包括反向传播过程中的权重更新策略。

摘要由CSDN通过智能技术生成

背景

使用正则化的前提是过拟合

过拟合即训练后的权重为高方差，正则化的目的就是减小权重的方差

通过损失函数+正则项的方式减小方差：

$obj=loss+Regularization$

Regularization

L1正则化

$Regularization=\sum|w_{i}|$

$obj=loss+\sum|w_{i}|$

梯度下降时使loss值和正则项的值最小

loss的等高线为圆环所示
L1正则项的等高线为菱形：w_1+w_2等于常数c，w_1,w_2之间肯定是线性的

$w_1+w_2=c\\w_2=c-w_1$

loss值在a,b,c三点都为最小值，计算正则项的最小值：

$a\_reg=1+4=5\\b\_reg=0+2=2\\c\_reg=4+1=5$

正则项在坐标轴上存在最小值，在坐标轴上w_1=0，所以经过L1正则化后使得权重稀疏

L2正则化

L2 Regularization又叫做weight decay（权值衰减）

$Regularization=\sum w_i^2$

$obj=loss+\frac{\lambda }{2}\sum w_i^2$

在进行权重更新时：

$w_i=w_i-\eta( \frac{\partial loss}{\partial w_i}+\lambda w_i)\\w_i=w_i(1-\lambda )-\eta \frac{\partial loss}{\partial w_i}$

$\lambda$ 取(0，1)，经过L2正则化后权重减小

L1使得权重稀疏，L2使权重减小

net_weight_decay

torch.optim.SGD(net_weight_decay.parameters(), lr=lr_init, momentum=0.9, weight_decay=1e-2)

没有经过L2正则化的网络权重一直都很大，含有大量网络参数

经过L2正则化的网络权重不断减小，防止过拟合

对反向传播过程进行debug：

    for i, param in enumerate(params):
        d_p = d_p_list[i] if not maximize else -d_p_list[i]

        if weight_decay != 0:
            d_p = d_p.add(param, alpha=weight_decay)  # p=p+w*p

        if momentum != 0:
            buf = momentum_buffer_list[i]

            if buf is None:
                buf = torch.clone(d_p).detach()
                momentum_buffer_list[i] = buf
            else:
                buf.mul_(momentum).add_(d_p, alpha=1 - dampening)

            if nesterov:
                d_p = d_p.add(buf, alpha=momentum)
            else:
                d_p = buf

        param.add_(d_p, alpha=-lr)