d2l笔记:4.5 权重衰减
权重衰减是一种正则化技术。简单点讲就是在优化的时候加入一个“鼓励”,使参数留在较小的状态,使最终的模型尽可能不要出现太多的抖动和过拟合。之前,我们的优化函数都致力于最小化损失函数,在使用这项技术之后,要将惩罚项也加到损失函数上一起作为优化的参考。常用的惩罚项是 L2范数。
准备工作
导入库
import torch
from torch import nn
from d2l import torch as d2l
生成数据
n_train, n_test, num_inputs, batch_size = 20, 100, 200, 5
true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05
train_data = d2l.synthetic_data(true_w, true_b, n_train)
train_iter = d2l.load_array(train_data, batch_size)
test_data = d2l.synthetic_data(true_w, true_b, n_test)
test_iter = d2l.load_array(test_data, batch_size, is_train=False)
这里模拟一个高维的线性回归的情况。
也就是说,本来数据挺简单的,但是却用了一个超级复杂的函数去拟合,而且样本还挺少,这种情况下线条就容易七拐八拐,也就是过拟合。在这种情况中权重衰减就可以明显让用不到的“多余维度”乖乖待在一个权重很小的状态下,不要出来“兴风作浪”。
从零开始实现
初始化模型参数
又是熟悉的味道:
def init_params():
w = torch.normal(0, 1, size=(num_inputs, 1), requires_grad=True)
b = torch.zeros(1, requires_grad=True)
return [w, b]
定义 L2 范数惩罚项
def l2_penalty(w):
return torch.sum(w.pow(2)) / 2
训练
在原来表示 loss 的地方再多加一个 lambd * l2_penalty(w)
def train(lambd):
w, b = init_params()
net, loss = lambda X: d2l.linreg(X, w, b), d2l.squared_loss
num_epochs, lr = 100, 0.003
animator = d2l.Animator(xlabel='epochs', ylabel='loss', yscale='log',
xlim=[5, num_epochs], legend=['train', 'test'])
for epoch in range(num_epochs):
for X, y in train_iter:
l = loss(net(X), y) + lambd * l2_penalty(w)
l.sum().backward()
d2l.sgd([w, b], lr, batch_size)
if (epoch + 1) % 5 == 0:
animator.add(epoch + 1, (d2l.evaluate_loss(net, train_iter, loss),
d2l.evaluate_loss(net, test_iter, loss)))
print('w 的 L2 范数是:', torch.norm(w).item())
然后直接调用 train()
就行了。
train(lambd=3)
简洁实现
单层网络,只有一个全连接层。
使用均方误差。
【重要】在优化器上进行自定义,加入对权重的衰减。
其他的都大同小异。
def train_concise(wd):
net = nn.Sequential(nn.Linear(num_inputs, 1))
for param in net.parameters():
param.data.normal_()
loss = nn.MSELoss(reduction='none')
num_epochs, lr = 100, 0.003
trainer = torch.optim.SGD([
{"params":net[0].weight, 'weight_decay':wd},
{"params":net[0].bias}],
lr=lr)
animator = d2l.Animator(xlabel='epochs', ylabel='loss',
yscale='log', xlim=[5, num_epochs],
legend=['train', 'test'])
for epoch in range(num_epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.mean().backward()
trainer.step()
if (epoch + 1) % 5 == 0:
animator.add(epoch + 1,
(d2l.evaluate_loss(net, train_iter, loss),
d2l.evaluate_loss(net, test_iter, loss)))
print('w 的 L2 范数是 ', net[0].weight.norm().item())
train_concise(3)