最新精品99久久亚州精品旡马视频,国产欧美亚洲羞羞17c在线看,波多野42部无码喷潮在线妙龄

主頁 > 知識庫 > Pytorch之如何dropout避免過擬合

Pytorch之如何dropout避免過擬合

一.做數據

二.搭建神經網絡

三.訓練

四.對比測試結果

注意：測試過程中，一定要注意模式切換

Pytorch的學習——過擬合

過擬合

過擬合是當數據量較小時或者輸出結果過于依賴某些特定的神經元，訓練神經網絡訓練會發生一種現象。出現這種現象的神經網絡預測的結果并不具有普遍意義，其預測結果極不準確。

解決方法

1.增加數據量

2.L1，L2，L3…正規化，即在計算誤差值的時候加上要學習的參數值，當參數改變過大時，誤差也會變大，通過這種懲罰機制來控制過擬合現象

3.dropout正規化，在訓練過程中通過隨機屏蔽部分神經網絡連接，使神經網絡不完整，這樣就可以使神經網絡的預測結果不會過分依賴某些特定的神經元

例子

這里小編通過dropout正規化的列子來更加形象的了解神經網絡的過擬合現象

import torch
import matplotlib.pyplot as plt
N_SAMPLES = 20
N_HIDDEN = 300
# train數據
x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
y = x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# test數據
test_x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
test_y = test_x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# 可視化
plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.5, label='train')
plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.5, label='test')
plt.legend(loc='upper left')
plt.ylim((-2.5, 2.5))
plt.show()
# 網絡一，未使用dropout正規化
net_overfitting = torch.nn.Sequential(
    torch.nn.Linear(1, N_HIDDEN),
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, N_HIDDEN),
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, 1),
)
# 網絡二，使用dropout正規化
net_dropped = torch.nn.Sequential(
    torch.nn.Linear(1, N_HIDDEN),
    torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網絡連接
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, N_HIDDEN),
    torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網絡連接
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, 1),
)
# 選擇優化器
optimizer_ofit = torch.optim.Adam(net_overfitting.parameters(), lr=0.01)
optimizer_drop = torch.optim.Adam(net_dropped.parameters(), lr=0.01)
# 選擇計算誤差的工具
loss_func = torch.nn.MSELoss()
plt.ion()
for t in range(500):
    # 神經網絡訓練數據的固定過程
    pred_ofit = net_overfitting(x)
    pred_drop = net_dropped(x)
    loss_ofit = loss_func(pred_ofit, y)
    loss_drop = loss_func(pred_drop, y)
    optimizer_ofit.zero_grad()
    optimizer_drop.zero_grad()
    loss_ofit.backward()
    loss_drop.backward()
    optimizer_ofit.step()
    optimizer_drop.step()
    if t % 10 == 0:
        # 脫離訓練模式，這里便于展示神經網絡的變化過程
        net_overfitting.eval()
        net_dropped.eval() 
        # 可視化
        plt.cla()
        test_pred_ofit = net_overfitting(test_x)
        test_pred_drop = net_dropped(test_x)
        plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.3, label='train')
        plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.3, label='test')
        plt.plot(test_x.data.numpy(), test_pred_ofit.data.numpy(), 'r-', lw=3, label='overfitting')
        plt.plot(test_x.data.numpy(), test_pred_drop.data.numpy(), 'b--', lw=3, label='dropout(50%)')
        plt.text(0, -1.2, 'overfitting loss=%.4f' % loss_func(test_pred_ofit, test_y).data.numpy(),
                 fontdict={'size': 20, 'color':  'red'})
        plt.text(0, -1.5, 'dropout loss=%.4f' % loss_func(test_pred_drop, test_y).data.numpy(),
                 fontdict={'size': 20, 'color': 'blue'})
        plt.legend(loc='upper left'); plt.ylim((-2.5, 2.5));plt.pause(0.1)
        # 重新進入訓練模式，并繼續上次訓練
        net_overfitting.train()
        net_dropped.train()
plt.ioff()
plt.show()