Pytorch-数据集划分&正则化方法

1.训练集&验证集&测试集

训练集:训练数据

验证集:验证不同算法(比如利用网格搜索对超参数进行调整等),检验哪种更有效

测试集:正确评估分类器的性能

正常流程:验证集会记录每个时间戳的参数,在加载test数据前会加载那个最好的参数,再来评估。比方说训练完6000个epoch后,发现在第3520个epoch的validation表现最好,测试时会加载第3520个epoch的参数。

  1 import  torch
  2 import  torch.nn as nn
  3 import  torch.nn.functional as F
  4 import  torch.optim as optim
  5 from    torchvision import datasets, transforms
  6 
  7 #超参数
  8 batch_size=200
  9 learning_rate=0.01
 10 epochs=10
 11 
 12 #获取训练数据
 13 train_db = datasets.MNIST('../data', train=True, download=True,   #train=True则得到的是训练集
 14                    transform=transforms.Compose([                 #transform进行数据预处理
 15                        transforms.ToTensor(),                     #转成Tensor类型的数据
 16                        transforms.Normalize((0.1307,), (0.3081,)) #进行数据标准化(减去均值除以方差)
 17                    ]))
 18 
 19 #DataLoader把训练数据分成多个小组,此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化
 20 train_loader = torch.utils.data.DataLoader(train_db, batch_size=batch_size, shuffle=True)
 21 
 22 
 23 #获取测试数据
 24 test_db = datasets.MNIST('../data', train=False, 
 25                    transform=transforms.Compose([
 26                         transforms.ToTensor(),
 27                         transforms.Normalize((0.1307,), (0.3081,))
 28                    ]))
 29 
 30 test_loader = torch.utils.data.DataLoader(test_db, batch_size=batch_size, shuffle=True)
 31 
 32 
 33 #将训练集拆分成训练集和验证集
 34 print('train:', len(train_db), 'test:', len(test_db))                              #train: 60000 test: 10000
 35 train_db, val_db = torch.utils.data.random_split(train_db, [50000, 10000])
 36 print('db1:', len(train_db), 'db2:', len(val_db))                                  #db1: 50000 db2: 10000
 37 
 38 train_loader = torch.utils.data.DataLoader(train_db, batch_size=batch_size, shuffle=True)
 39 val_loader = torch.utils.data.DataLoader(val_db, batch_size=batch_size, shuffle=True)
 40 
 41 
 42 
 43 
 44 class MLP(nn.Module):
 45 
 46     def __init__(self):
 47         super(MLP, self).__init__()
 48         
 49         self.model = nn.Sequential(         #定义网络的每一层,
 50             nn.Linear(784, 200),
 51             nn.ReLU(inplace=True),
 52             nn.Linear(200, 200),
 53             nn.ReLU(inplace=True),
 54             nn.Linear(200, 10),
 55             nn.ReLU(inplace=True),
 56         )
 57 
 58     def forward(self, x):
 59         x = self.model(x)
 60         return x    
 61 
 62 
 63 net = MLP()
 64 #定义sgd优化器,指明优化参数、学习率,net.parameters()得到这个类所定义的网络的参数[[w1,b1,w2,b2,...]
 65 optimizer = optim.SGD(net.parameters(), lr=learning_rate)
 66 criteon = nn.CrossEntropyLoss()
 67 
 68 
 69 for epoch in range(epochs):
 70 
 71     for batch_idx, (data, target) in enumerate(train_loader):
 72         data = data.view(-1, 28*28)          #将二维的图片数据摊平[样本数,784]
 73 
 74         logits = net(data)                   #前向传播
 75         loss = criteon(logits, target)       #nn.CrossEntropyLoss()自带Softmax
 76 
 77         optimizer.zero_grad()                #梯度信息清空   
 78         loss.backward()                      #反向传播获取梯度
 79         optimizer.step()                     #优化器更新
 80 
 81         if batch_idx % 100 == 0:             #每100个batch输出一次信息
 82             print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
 83                 epoch, batch_idx * len(data), len(train_loader.dataset),
 84                        100. * batch_idx / len(train_loader), loss.item()))
 85 
 86     #验证集用来检测训练是否过拟合
 87     val_loss = 0
 88     correct = 0                                         
 89     for data, target in val_loader:
 90         data = data.view(-1, 28 * 28)
 91         logits = net(data)
 92         val_loss += criteon(logits, target).item()     
 93         
 94         pred = logits.data.max(dim=1)[1]                
 95         correct += pred.eq(target.data).sum()
 96 
 97     val_loss /= len(val_loader.dataset)
 98     print('\nVAL set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
 99         val_loss, correct, len(val_loader.dataset),
100         100. * correct / len(val_loader.dataset)))
101     
102 
103     
104 #测试集用来评估    
105 test_loss = 0
106 correct = 0                                         #correct记录正确分类的样本数
107 for data, target in test_loader:
108     data = data.view(-1, 28 * 28)
109     logits = net(data)
110     test_loss += criteon(logits, target).item()     #其实就是criteon(logits, target)的值,标量
111     
112     pred = logits.data.max(dim=1)[1]                #也可以写成pred=logits.argmax(dim=1)
113     correct += pred.eq(target.data).sum()
114 
115 test_loss /= len(test_loader.dataset)
116 print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
117     test_loss, correct, len(test_loader.dataset),
118     100. * correct / len(test_loader.dataset)))

2.正则化

正则化可以解决过拟合问题。

2.1L2范数(更常用)

在定义优化器的时候设定weigth_decay,即L2范数前面的$\lambda$参数。

1 optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, weight_decay=0.01)

2.2L1范数

Pytorch没有直接可以调用的方法,实现如下:

3.动量(Momentum)

 Adam优化器内置了momentum,SGD需要手动设置。

1 optimizer = torch.optim.SGD(model.parameters(), args=lr, momentum=args.momentum, weight_decay=args.weight_decay)

4.学习率衰减

torch.optim.lr_scheduler 中提供了基于多种epoch数目调整学习率的方法。

4.1torch.optim.lr_scheduler.ReduceLROnPlateau:基于测量指标对学习率进行动态的下降

1 torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, verbose=False, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

训练过程中,optimizer会把learning rate 交给scheduler管理,当指标(比如loss)连续patience次数还没有改进时,需要降低学习率,factor为每次下降的比例。

scheduler.step(loss_val)每调用一次就会监听一次loss_val。

4.2torch.optim.lr_scheduler.StepLR:基于epoch

1 torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)

当epoch每过stop_size时,学习率都变为初始学习率的gamma倍。

5.提前停止(防止overfitting)

基于经验值。

6.Dropout随机失活

遍历每一层,设置消除神经网络中的节点概率,得到精简后的一个样本。

torch.nn.Dropout(p=dropout_prob)     

p表示的示的是删除节点数的比例(Tip:tensorflow中keep_prob表示保留节点数的比例,不要混淆)

测试阶段无需使用dropout,所以在train之前执行net_dropped.train()相当于启用dropout,测试之前执行net_dropped.eval()相当于不启用dropout。

posted @ 2020-07-14 16:29  最咸的鱼  阅读(4346)  评论(0编辑  收藏  举报