Pytorch之如何dropout避免過擬合

更新時間：2021年06月03日 10:13:32 作者：Giao哥不瘦到100不改名

這篇文章主要介紹了Pytorch 如何dropout避免過擬合的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

一.做數(shù)據(jù)

在這里插入圖片描述

二.搭建神經(jīng)網(wǎng)絡(luò)

三.訓(xùn)練

在這里插入圖片描述

四.對比測試結(jié)果

注意：測試過程中，一定要注意模式切換

在這里插入圖片描述

Pytorch的學(xué)習(xí)——過擬合

過擬合

過擬合是當(dāng)數(shù)據(jù)量較小時或者輸出結(jié)果過于依賴某些特定的神經(jīng)元，訓(xùn)練神經(jīng)網(wǎng)絡(luò)訓(xùn)練會發(fā)生一種現(xiàn)象。出現(xiàn)這種現(xiàn)象的神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果并不具有普遍意義，其預(yù)測結(jié)果極不準確。

解決方法

1.增加數(shù)據(jù)量

2.L1，L2，L3…正規(guī)化，即在計算誤差值的時候加上要學(xué)習(xí)的參數(shù)值，當(dāng)參數(shù)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(xiàn)象

3.dropout正規(guī)化，在訓(xùn)練過程中通過隨機屏蔽部分神經(jīng)網(wǎng)絡(luò)連接，使神經(jīng)網(wǎng)絡(luò)不完整，這樣就可以使神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果不會過分依賴某些特定的神經(jīng)元

例子

這里小編通過dropout正規(guī)化的列子來更加形象的了解神經(jīng)網(wǎng)絡(luò)的過擬合現(xiàn)象

import torch
import matplotlib.pyplot as plt
N_SAMPLES = 20
N_HIDDEN = 300
# train數(shù)據(jù)
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(shù)據(jù)
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(wǎng)絡(luò)一，未使用dropout正規(guī)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(wǎng)絡(luò)二，使用dropout正規(guī)化
net_dropped = torch.nn.Sequential(
    torch.nn.Linear(1, N_HIDDEN),
    torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網(wǎng)絡(luò)連接
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, N_HIDDEN),
    torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網(wǎng)絡(luò)連接
    torch.nn.ReLU(),
    torch.nn.Linear(N_HIDDEN, 1),
)
# 選擇優(yōu)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(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)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(xùn)練模式，這里便于展示神經(jīng)網(wǎng)絡(luò)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(xùn)練模式，并繼續(xù)上次訓(xùn)練
        net_overfitting.train()
        net_dropped.train()
plt.ioff()
plt.show()