深层神经网络过拟合优化

本文来自Second-TOMORROW博客。

原文链接:http://www.second-tomorrow.com/2017/12/04/深层神经网络过拟合优化/

 

 

·过拟合(Overfitting)

深层神经网络模型的训练过程，  就是寻找一个模型能够很好的拟合现有的数据（训练集），同时能够很好的预测未来的数据。

在训练过程中由于模型建立的不恰当，往往所训练得到的模型能够对训练集的数据非常好的拟合，但是却在预测未来的数据上表现得非常差，这种情况就叫做过拟合(Overfitting)。

为了训练出高效可用的深层神经网络模型，在训练时必须要避免过拟合的现象。过拟合现象的优化方法通常有三种，分别是：正则化（Regulation），扩增训练集（Data augmentation）以及提前停止迭代（Early stopping) 。

 

 

·正则化（Regulation）

正则化方法是指在进行损失函数（cost function）优化时，在损失函数后面加上一个正则项。

正则化方法中目前常用的有两种方法：L2正则化和Dropout正则化。

 

L2正则

L2正则是基于L2范数，即在函数后面加上参数的L2范数的平方，即： 

其中是原损失函数，m表示数据集的大小。使用下式对参数进行更新：

其中，因此知道w在进行权重衰减。在神经网络中，当一个神经元的权重越小时，那么该神经元在神经网络中起到的作用就越小，当权重为0时，那么该神经元就可以被神经网络剔除。而过拟合现象出现的原因之一就是，模型复杂度过高。那么，也就是说L2正则化后，权重会衰减，从而降低了模型的复杂度，从而一定程度上避免对数据过拟合。

 

随机失活（Dropout）正则

其实Dropout的思路与L2的思路是一致的，都是降低模型的复杂度，从而避免过拟合。只是实现的方法有所不同。

Dropout的做法是，在训练过程中，按照一定的概率随机的忽略掉一些神经元，使其失活，从而就降低了模型的复杂度，提高了泛化的能力，一定程度上避免了过拟合。

        

常用的实现方法是Inverted Dropout。

 

使用Dropout的小技巧

• ·1、通常丢弃率控制在20%~50%比较好，可以从20%开始尝试。如果比例太低则起不到效果，比例太高则会导致模型的欠学习。

  ·2、在大的网络模型上应用。当dropout用在较大的网络模型时更有可能得到效果的提升，模型有更多的机会学习到多种独立的表征。

• ·3、在输入层（可见层）和隐藏层都使用dropout。在每层都应用dropout被证明会取得好的效果。

  ·4、增加学习率和冲量。把学习率扩大10~100倍，冲量值调高到0.9~0.99.

• ·5、限制网络模型的权重。大的学习率往往导致大的权重值。对网络的权重值做最大范数正则化等方法被证明会提升效果。

  

  

·扩增训练集（Data augmentation）

“有时候不是因为算法好赢了，而是因为拥有更多的数据才赢了。”

特别在深度学习中，更多的训练数据，意味着可以训练更深的网络，训练出更好的模型。

然而很多时候，收集更多的数据并不那么容易，要付出很大的代价。那么，为了得到更多的训练数据，我们可以在原有的数据上做一些改动产生新的可用数据，以图片数据为例，将图片水平翻转，放大或者选择一个小角度都可以得到新的图片数据用于训练。

虽然这样的效果没有全新的数据更加好，但是付出的代价却是接近于零的。所以，很多情况下，这是一个非常好的数据扩增方法。

 

 

·提前停止迭代（Early stopping) 

在训练过程中绘制训练集误差函数的同时也绘制交叉验证集的误差。从下面的图可以看出，训练集误差随着迭代次数增加而不断降低，而验证集误差却是先降低后上升。很明显，在这个模型中，我们希望验证集误差和训练集误差都尽量的小，那么最优点就是在验证集误差的最低点，训练应该在该点处停止，也就是选取该点处的权重值作为神经网络的参数。

但是这种优化方法有很大的缺点。因为提前停止训练，也就是停止优化训练集的误差，通常情况下，在验证集误差达到最小值时，训练集误差还未处于一个足够小的值。从而使得该模型虽然没有出现过拟合现象，却是出现了欠拟合的情况。当然，这种优化方法还是有着表现优异的使用场景的。

 

 

 

  

参考：http://blog.csdn.net/u010159842/article/details/54138157

 

本文来自Second-TOMORROW博客。

原文链接:http://www.second-tomorrow.com/2017/12/04/深层神经网络过拟合优化/

​