欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout

程序员文章站 2022-07-13 10:38:10
...

深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout

什么是过拟合?

   过拟合的表现就是在训练过程中,loss越来越低,但在测试集上测试发现效果很差,测试loss反而在逐渐升高,模型泛化能力就变得很差。
   即训练参数过于贴合训练集的一种现象。
	
	解决过拟合的方法有:
	1."踩刹车"  在过拟合出现之前进行刹车,lr-decay.  逐步降低学习率,前期大步走,后期小步走。
	2.数据增强 获取更多的数据
	3.正则化  本质是降低模型复杂度,防止过拟合 
			 正则化方法是指在进行目标函数或代价函数优化时,在目标函数或代价函数后面加上一个正则项,一般有L1正则与L2正则等。
			 L1正则即在原有的损失函数的基础上添加参数向量的L1范数。
			 L2正则即在原有的损失函数的基础上添加参数向量的L2范数。
	4.dropout  随着Alexnet提出的一种方法。
	
	5.现在开始采用预训练方式进行,选取好的初始化参数。

Dropout 、L2、L1 正则化

Dropout

Dropout 就是缓解过拟合的一种方式,它的原理就是随机关闭一部分神经元,使其不工作,即参数不进行更新。

L1 L2 正则化

两种标准化方式:L1 L2. 对w进行惩罚.

L1正则即在原有的损失函数的基础上添加参数向量的L1范数。当w大于0时,更新的参数w变小;当w小于0时,更新的参数w变大;所以,L1正则化容易使参数变为0.
深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout

L2正则即在原有的损失函数的基础上添加参数向量的L2范数。当w趋向于0时,参数减小的非常缓慢,因此L2正则化使参数减小到很小的范围,但不为0。
深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout
在pytorch中没有明确的添加L1和L2正则化的方法,
L2可以直接的采用优化器自带的weight_decay选项来制订权重衰减,相当于L2正则化中的λ, optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, weight_decay=1e-5)
L1 则采用手动直接加方式进行。

基于上次的实现神经网络,进行修改,使用Dropout

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.dropout = nn.Dropout(0.5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.dropout(x)
        x = self.pool(F.relu(x))

        x = self.conv2(x)
        x = self.dropout(x)
        x = self.pool(F.relu(x))

        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
net = Net()

# ####GPU train
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 1.
net.to(device)

import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(10):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data
        # 2.
        inputs, labels = inputs.to(device), labels.to(device)

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')


### GPU test
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
    for data in testloader:
        images, labels = data
        images, labels = images.to(device), labels.to(device)
        outputs = net(images)
        _, predicted = torch.max(outputs, 1)
        # print(predicted)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i].item()
            class_total[label] += 1

for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))

测试结果比对
没有使用Dropout result
深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout
使用Dropout result
深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout
loss 还在下降,但效果是差不多的。