深度学习中 --- 解决过拟合问题（dropout, batchnormalization）

过拟合，在Tom M.Mitchell的《Machine Learning》中是如何定义的：给定一个假设空间H，一个假设h属于H，如果存在其他的假设h’属于H,使得在训练样例上h的错误率比h’小，但在整个实例分布上h’比h的错误率小，那么就说假设h过度拟合训练数据。

也就是说，某一假设过度的拟合了训练数据，对于和训练数据的分布稍有不同的数据，错误率就会加大。这一般会出现在训练数据集比较小的情况。

深度学习中避免过拟合的方法：

• Dropout

     2012年ImageNet比赛的获胜模型AlexNet论文中提出的避免过拟合的方法。其操作方法如下图所示。

• • 在训练中以概率P(一般为50%)关掉一部分神经元，如图中的虚线的箭头。那么对于某些输出，并不是所有神经元会参与到前向和反向传播中。
  • 在预测的时候，将使用所有的神经元，但是会将其输出乘以0.5

     Dropout的意义在于，减小了不同神经元的依赖度。有些中间输出，在给定的训练集上，可能发生只依赖某些神经元的情况，这就会造成对训练集的过拟合。而随机关掉一些神经元，可以让更多神经元参与到最终的输出当中。我觉得dropout方法也可以看成，联合很多规模比较小的网络的预测结果，去获取最终的预测。

•  Batch Normalization