【dlbook】正则化

对学习算法的修改——旨在减少泛化误差而不是训练误差

显著减少方差而不过度增加偏差。

 

【参数范数惩罚】

通常只对权重做惩罚而不对偏置做惩罚,原因是拟合偏置比拟合权重容易很多。

不同层使用不同惩罚的代价很大,会在所有层使用相同的权重衰减。

L2正则化的效果: 在Hessian阵特征值较大的方向,正则化的影响比较小,在特征值比较小的方向,会比较快速的趋近到0

  让算法感知到较高方差的x,从而与

L1正则化的效果:

  参数向一个方向移动一个特定的距离,如果移动之后变号,那么置为0。

  会产生稀疏解

 

【欠约束问题】

对矩阵XTX求逆,只要奇异就会出问题,现实数据中只要在某些方向没有差异,或者在一些方向没有观察到方差,矩阵就是奇异的。

(通常在我们的数据中不会发生)

 

【噪声稳定性】

bishop 1995: 对x添加方差极小的噪声等价于对权重进行范数惩罚

在一般情况下,注入噪声远比简单的收缩参数强大,尤其是添加到隐藏单元!

 

另外一种方式是对循环神经网络的权重加噪声,实际上是基于贝叶斯思想。

 

【early stop】

代价:

1、需要多次评估validation集

2、需要保存最佳参数副本

正则化效果:

将参数空间控制在初始值的小邻域内,如果初始值足够小,那么是有效的。

比weight decay更有效

 

【稀疏表示】

【Bagging】

【Dropout】

可以认为是廉价的Bagging, 

小批量、小步长的学习算法,

还需要继续学习。。。

posted on 2018-01-31 14:05  yesuuu  阅读(132)  评论(0编辑  收藏  举报

导航