动手实现深度学习（10）：第五篇：解决过拟合的方法

第五篇：解决过拟合的方法

传送门： https://www.cnblogs.com/greentomlee/p/12314064.html

github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning

wps62

wps63

七、解决过拟合的方法

7.1 DropOut的实现

DroupOut作为抑制过拟合的一种方法，会在每次训练的时候随机的将一些神经元失活。

  1 class Dropout:
  2     """
  3     http://arxiv.org/abs/1207.0580
  4     """
  5     def __init__(self, dropout_ratio=0.5):
  6         self.dropout_ratio = dropout_ratio
  7         self.mask = None
  8 
  9     def forward(self, x, train_flg=True):
 10 """
 11         正向传播时，随机标记mask, 这样看起来就像是在反馈的时候失活了
 12 """
 13         if train_flg:
 14             self.mask = np.random.rand(*x.shape) > self.dropout_ratio
 15             return x * self.mask
 16         else:
 17             return x * (1.0 - self.dropout_ratio)
 18 
 19     def backward(self, dout):
 20 
 21         '''
 22         return dout * self.mask

 

左图是使用了dropout, 右图是没有使用dropout. 之所以会出现这种情况，是因为dropout会是得一些神经元失活

wps64 wps65

 

7.2 权值衰减的实现

权值衰减也是抑制过拟合的一种方法。

这种方法通过在训练过程中的权值进行“惩罚”，从而抑制拟合。

本案例在损失函数获取以后，更新权重。在更新权重的时候加上L2范数，这样便可以抑制权重变大。L2范数如下，lamda是权值衰减系数。

wps66

代码实现：

  1 def loss(self, x, t):
  2     """
  3     损失函数
  4     :param x: 输入数据
  5     :param t: 标签数据
  6     :return: 损失值
  7     """
  8 
  9     y = self.predict(x)
 10 
 11     weight_decay = 0
 12     for idx in range(1, self.hidden_layer_num + 2):
 13         W = self.params['W' + str(idx)]
 14         weight_decay += 0.5 * self.weight_decay_lambda * np.sum(W ** 2)
 15 
 16     return self.last_layer.forward(y, t) + weight_decay

 

绘图以及验证：

  1 # coding: utf-8
  2 
  3 import numpy as np
  4 import matplotlib.pyplot as plt
  5 from src.datasets.mnist import load_mnist
  6 from src.common.multi_layer_net import MultiLayerNet
  7 from src.common.optimizer import SGD
  8 
  9 (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True)
 10 
 11 # 只是选取300个样本
 12 x_train = x_train[:300]
 13 t_train = t_train[:300]
 14 
 15 # weight decay系数
 16 #weight_decay_lambda = 0
 17 weight_decay_lambda = 0.1
 18 # ====================================================
 19 
 20 network = MultiLayerNet(input_size=784, hidden_size_list=[100, 100, 100, 100, 100, 100], output_size=10,
 21                         weight_decay_lambda=weight_decay_lambda)
 22 optimizer = SGD(lr=0.01)
 23 
 24 max_epochs = 201
 25 train_size = x_train.shape[0]
 26 batch_size = 100
 27 
 28 train_loss_list = []
 29 train_acc_list = []
 30 test_acc_list = []
 31 
 32 iter_per_epoch = max(train_size / batch_size, 1)
 33 epoch_cnt = 0
 34 
 35 for i in range(1000000000):
 36     batch_mask = np.random.choice(train_size, batch_size)
 37     x_batch = x_train[batch_mask]
 38     t_batch = t_train[batch_mask]
 39 
 40     grads = network.gradient(x_batch, t_batch)
 41     optimizer.update(network.params, grads)
 42 
 43     if i % iter_per_epoch == 0:
 44         train_acc = network.accuracy(x_train, t_train)
 45         test_acc = network.accuracy(x_test, t_test)
 46         train_acc_list.append(train_acc)
 47         test_acc_list.append(test_acc)
 48 
 49         print("epoch:" + str(epoch_cnt) + ", train acc:" + str(train_acc) + ", test acc:" + str(test_acc))
 50 
 51         epoch_cnt += 1
 52         if epoch_cnt >= max_epochs:
 53             break
 54 
 55 
 56 # 3.绘制
 57 markers = {'train': 'o', 'test': 's'}
 58 x = np.arange(max_epochs)
 59 plt.plot(x, train_acc_list, marker='o', label='train', markevery=10)
 60 plt.plot(x, test_acc_list, marker='s', label='test', markevery=10)
 61 plt.xlabel("epochs")
 62 plt.ylabel("accuracy")
 63 plt.ylim(0, 1.0)
 64 plt.legend(loc='lower right')
 65 plt.show()

 

 

image

posted @ 2022-09-12 18:32  修雨轩陈  阅读(84)  评论(0)  编辑  收藏  举报