Pytorch之如何dropout避免过拟合 Pytorch之如何dropout避免过拟合

一.做数据
文章图片

文章图片

二.搭建神经网络
文章图片

文章图片

三.训练
文章图片

四.对比测试结果注意：测试过程中，一定要注意模式切换

文章图片

文章图片

Pytorch的学习——过拟合过拟合
【Pytorch之如何dropout避免过拟合】过拟合是当数据量较小时或者输出结果过于依赖某些特定的神经元，训练神经网络训练会发生一种现象。出现这种现象的神经网络预测的结果并不具有普遍意义，其预测结果极不准确。
解决方法
1.增加数据量
2.L1，L2，L3…正规化，即在计算误差值的时候加上要学习的参数值，当参数改变过大时，误差也会变大，通过这种惩罚机制来控制过拟合现象
3.dropout正规化，在训练过程中通过随机屏蔽部分神经网络连接，使神经网络不完整，这样就可以使神经网络的预测结果不会过分依赖某些特定的神经元
例子
这里小编通过dropout正规化的列子来更加形象的了解神经网络的过拟合现象

import torchimport matplotlib.pyplot as pltN_SAMPLES = 20N_HIDDEN = 300# train数据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数据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))# 可视化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()# 网络一，未使用dropout正规化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),)# 网络二，使用dropout正规化net_dropped = torch.nn.Sequential(torch.nn.Linear(1, N_HIDDEN),torch.nn.Dropout(0.5),# 随机屏蔽50%的网络连接torch.nn.ReLU(),torch.nn.Linear(N_HIDDEN, N_HIDDEN),torch.nn.Dropout(0.5),# 随机屏蔽50%的网络连接torch.nn.ReLU(),torch.nn.Linear(N_HIDDEN, 1),)# 选择优化器optimizer_ofit = torch.optim.Adam(net_overfitting.parameters(), lr=0.01)optimizer_drop = torch.optim.Adam(net_dropped.parameters(), lr=0.01)# 选择计算误差的工具loss_func = torch.nn.MSELoss()plt.ion()for t in range(500):# 神经网络训练数据的固定过程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:# 脱离训练模式，这里便于展示神经网络的变化过程net_overfitting.eval()net_dropped.eval() # 可视化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)# 重新进入训练模式，并继续上次训练net_overfitting.train()net_dropped.train()plt.ioff()plt.show()

效果
可以看到红色的线虽然更加拟合train数据，但是通过test数据发现它的误差反而比较大