深度网络的过拟合问题讨论
问题背景
最近做深度学习实验的时候遇到了一个很棘手的问题,那就是大名鼎鼎的“过拟合”,直观地表现在图中是长这个样子的,分析来讲就是说深度网络在拟合训练集的时候是可以很好地实现,Loss很小,Accuracy很大(我这儿能达到99.99%),但是呢,测试集的Loss很大,Accuracy在一个比较低的范围内波动(我这儿是70%-80%),并没有像论文中说的那样,测试集的Loss随着迭代的增加而减小,Accuracy随着迭代的增加而增大。
如果你没有看出来上图有什么毛病的话,我就放一张理想状态的结果图做对比(如下图粗粗的线),画的比较挫,但是大概的意思在那儿,随着迭代的增加,训练集和测试集的精确度应该上升,我们可以容忍测试集的精确度没有训练集那么高,毕竟有拟合的误差,但是像上图我做出来的结果那样,一定是“过拟合”啦。
用白话来说“过拟合”就是:老师给你的题你都会做了,考试给你换个花样你就懵逼了。好,老师给你的题就相当于我们的训练数据,考试的题相当于测试数据,“过拟合”就是深度网络把训练的数据拟合的特别好,但是有点好过头了,对训练数据当然是100%好用,但是一来测试数据就疯了,那这样的网络训练出来其实是没有用的,训练集已经是监督学习了,拟合的再好也没用。
体现在函数上就是下图
正常是测试数据是一个线性或者二次多项式的分布,如果过拟合了,深度网络很有可以弄出一个特别复杂的拟合曲线函数,把上面所有的黑点点都穿过,当然训练数据的误差超级小,但是测试数据一来整个的误差就比较高了。
网络结构介绍
我实验中用到的深度网络结构原型是Fully Convolutional Networks,参考的论文中也叫它U-Net,总之就是一个用来做图像分割的深度网络。示意图如下:
问题分析
当年LeNet-5在手写字的识别上出尽了风头,但是当LeNet-5应用到其他数据集中的时候却出现了很多问题,从此,学者们开始了疯狂的理论、实践探索。“过拟合”问题算是深度学习中一个特别重要的问题,老生常谈了,也有不少解决的方法供我选择。
举例来讲(感谢“知乎深度学习Keras”——QQ群中大神们的帮助):
1. 加入Dropout层
2. 检查数据集是否过小(Data Augmentation)
3. 用一用迁移学习的思想
4. 调参小tricks.
- 调小学习速率(Learning Rate)
- 调小每次反向传播的训练样本数(batch_size)
5. 试一试别的优化器(optimizer)
6. Keras的回调函数EarlyStopping()
评价:我认为第一个是比较可行,因为“教科书”上的确有说dropout是专门用来对付“过拟合”问题的。
关于数据集的大小,这也是导致过拟合的原因,如果太小,很容易过拟合。那么多大的数据集够了呢?反正我的肯定够了,我的深度网络输入图像是369,468幅,68*80像素的,二通道输入,总共的大小是19.5GB。这个数据量可以说是十分可观了,所以对我来说,第二条可能不适用。那么如果想要扩充数据集,需要用到Data Augmentation,这个是在医学影像中十分常用的手段,包括平移,旋转,拉伸,扭曲等等变换造出新的数据,来增加数据量。
第三条是深度学习中比较有效的方法了,英文名叫fine-tuning,就是用已有的训练完的网络参数作为初始化,在这个基础上继续训练。原来的网络参数往往会在很多论文和github里头能找到,这是在很大的图像数据集中训练完的网络,根据图形图像的“语义”相似性(我也不知道该怎么描述,就是认为世界上的图片都有某种相似性,就像人类,每个人都长得不一样,但是你不会把人和其他动物混在一起,这就是一个宏观的,抽象的相似性),把这个网络“迁移”到一个新的图像数据集中是有一定的道理的。由于时间原因,我暂时还没有采用这个。
第四条就是比较说不清道不明的调参了,这几乎是机器学习的主要话题,人说“有多少人工,就有多少智能”,这个调参真的需要“经验”啊哈哈哈。
不好意思,第五条又是试凑法。。。可供选择的Optimizers有很多,都试一下,看看用哪儿效果好,听上去有点丧心病狂了。
第六条方法是一个小函数,叫做EarlyStopping,代码如下
early_stopping = EarlyStopping(monitor = 'val_loss', patience = 5)
作用是监视每次迭代的指标,比如说这儿监视的是val_loss(测试集的Loss),随着迭代的增加,当val_loss不再发生大的变化的时候可以终止训练,在过拟合之前阻断。这种策略也称为“No-improvement-in-n”,n就是Epoch的次数。
不幸的是,以上六个方案,我测试了以后都没有很好地解决“过拟合”问题。
正则化方法
正则化方法是指在进行目标函数或代价函数优化时,在目标函数或代价函数后面加上一个正则项,一般有L1正则与L2正则等。这个很理论了,会涉及到一些公式。
这部分内容我在学习的时候就当它纯理论来记,当时根本没有想过会去真正用它,看来现在是必须要try一下了。
要在Keras中修改这部分代价函数(Objectives)的代码,可以参考这部分内容,里面包括了若干个代价函数,如果想要自己编写代价函数也可以的。根据这个博客:基于Theano的深度学习(Deep Learning)框架Keras学习随笔-08-规则化(规格化),有效解决过拟合的方法就是加入规则项。具体的规则化可以参见深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP中对于规则化的介绍。博主Tig_Free是真神啊,膜拜一下!
问题解决
最终,过拟合的现象基本上被控制住了,总的来说,L1/L2规范化的确是很牛逼,在学术论文中也有所体现:
网络调整如下:
model = Sequential()model.add(Convolution2D(64, 4, 4, border_mode='valid', input_shape=data.shape[-3:]))model.add(Convolution2D(64, 3, 3, border_mode='valid'))model.add(Activation('relu'))model.add(Dropout(0.3)) #model.add(BatchNormalization(epsilon=1e-06, mode=0, axis=-1, momentum=0.9, weights=None, beta_init='zero', gamma_init='one'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Convolution2D(64, 4, 4, border_mode='valid'))model.add(Convolution2D(64, 3, 3, border_mode='valid')) model.add(Activation('relu'))model.add(Dropout(0.3)) #model.add(BatchNormalization(epsilon=1e-06, mode=0, axis=-1, momentum=0.9, weights=None, beta_init='zero', gamma_init='one'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Convolution2D(128, 4, 4, border_mode='valid'))model.add(Activation('relu'))model.add(Dropout(0.3)) #model.add(BatchNormalization(epsilon=1e-06, mode=0, axis=-1, momentum=0.9, weights=None, beta_init='zero', gamma_init='one'))model.add(Convolution2D(128, 3, 3, border_mode='valid')) model.add(Activation('relu')) model.add(Dropout(0.3)) #model.add(BatchNormalization(epsilon=1e-06, mode=0, axis=-1, momentum=0.9, weights=None, beta_init='zero', gamma_init='one')) model.add(Convolution2D(128, 3, 3, border_mode='valid'))model.add(Activation('relu'))model.add(Dropout(0.3))#model.add(BatchNormalization(epsilon=1e-06, mode=0, axis=-1, momentum=0.9, weights=None, beta_init='zero', gamma_init='one'))model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten())model.add(Dense(512, init='normal',W_regularizer=l2(0.02), activity_regularizer=activity_l2(0.01)))model.add(Activation('relu'))model.add(Dropout(0.3))model.add(Dense(512, init='normal',W_regularizer=l2(0.02), activity_regularizer=activity_l2(0.01)))model.add(Activation('relu'))model.add(Dropout(0.3))model.add(Dense(LABELTYPE, init='normal'))model.add(Activation('softmax'))
配置:)
- dropout层(0.3)
- 全连接层的L2规范化
- 优化器(adadelta)
- 学习速率(1e-9)
达到的效果比较令人满意,不仅训练集的Loss在降低,Acc在上升,测试集的Loss也同样降低,测试集的Acc在上升,整体的网络学习性能也变得比以前好了。
至此,深度网络的过拟合问题暂时告一段落。
关于过拟合的参考材料
机器学习中使用「正则化来防止过拟合」到底是一个什么原理?为什么正则化项就可以防止过拟合?
机器学习中防止过拟合的处理方法
用简单易懂的语言描述「过拟合 overfitting」?
Reducing Overfitting in Deep Networks by Decorrelating Representations. Michael Cogswell, Faruk Ahmed, Ross Girshick, Larry Zitnick, Dhruv Batra (2015)
Dropout: A Simple Way to Prevent Neural Networks from Overfitting. N Srivastava, G Hinton, A Krizhevsky, I Sutskever, R Salakhutdinov (2014)
Overfitting & Regularization (墙)
Regularization in Statistics. PJ Bickel, B Li (2006)
Overfitting, Regularization, and Hyperparameters (墙)
Overfitting. by Hal Daume III (墙)
Data Science 101: Preventing Overfitting in Neural Networks. by Nikhil Buduma (墙)
深度网络的过拟合问题讨论相关推荐
- 《深度学习》————NN网络是否可以拟合任何一种函数
1 前言 自从接触深度学习开始,我一直在思考一个问题,NN网络是否可以拟合任何一种函数,我想答案是肯定的,DenseNet的出现就说明了这一点. 2 "NN网络是否可以拟合任何一种函数&qu ...
- 深度神经网络是否过拟合?
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者:Lilian Weng 编译:ronghuaiyang 导读 ...
- Stanford UFLDL教程 深度网络概览
深度网络概览 Contents [hide] 1概述 2深度网络的优势 3训练深度网络的困难 3.1数据获取问题 3.2局部极值问题 3.3梯度弥散问题 4逐层贪婪训练方法 4.1数据获取 4.2更好 ...
- 基于深度学习的图像语义分割技术概述之背景与深度网络架构
本文为论文阅读笔记,不当之处,敬请指正. A Review on Deep Learning Techniques Applied to Semantic Segmentation: 原文链接 摘要 ...
- RSE2021/云检测:基于小波变换和连续多尺度空间注意的上下块深度网络云检测
RSE2021/云检测Deep network based on up and down blocks using wavelet transform and successive multi-sca ...
- 深度网络学习调研报告
深度网络学习调研报告 目录 1.前言...............................................3 1.1课题研究的背景及意义................. ...
- 深度网络的训练经验总结(参数篇)
(续我的上一篇博客)最早训练神经网络的时候完全什么技巧都不懂,能成功运行开源代码,并且看到loss下降就放心跑着了.随着对网络越来越多的接触,发现从数据集(train/val/test)的准备到训 ...
- 深度网络架构的设计技巧(三)之ConvNeXt:打破Transformer垄断的纯CNN架构
单位:FAIR (DenseNet共同一作,曾获CVPR2017 best paper),UC伯克利 ArXiv:https://arxiv.org/abs/2201.03545 Github:htt ...
- 网络结构 - Inception深度网络家族盘点
Inception深度网络家族盘点 | Inception v4 和Inception-ResNet未来走向何方 ? 原文转自 Inception深度网络家族盘点 | Inception v4 和In ...
最新文章
- 何恺明等人新作:效果超ResNet,利用NAS方法设计随机连接网络 | 技术头条
- Linq to XML
- 故障模块名称kernelbase.dll_故障码都看不懂,你还修啥车?
- 干货 | Tomcat 连接数与线程池详解
- Linux 关机命令详解 转自脚本之家
- NPOI读取Excel生成DataTable转为Json后利用LitJons读取
- 程序员面试金典 - 面试题 04.03. 特定深度节点链表(BFS)
- 第七章:SpringCloud Feign对hystrix的支持
- 如何修复“您的系统已耗尽应用程序内存”错误
- Win7 安装 -- SHSUCDX can’t install 问题解决
- 应用商店优化(ASO)之关键词及描述优化
- pycharm新建项目环境设置详解
- 控件不能正确注册错误
- 军犬舆情每日热点:天津成立联合调查组进驻权健集团;瑞幸咖啡巨亏8亿
- 面试专题之:微服务场景
- 人工智能,离我们还远么?
- Cocos Creator 的组件式编程 以及分工策略 一分钟上手流程
- ROS2零基础快速入门
- WIN10系统安装Ubuntu子系统并在此基础上安装ncl
- RHEL linux 8.0 安装
热门文章
- 可以云端储存的便签软件 2022能云端同步的便签app
- SOLIDWORKS装配体中处理参考零部件的方法
- 威学一百_威学一百安卓版下载|威学一百app下载_v1.0.3_9ht安卓下载
- PCL:RANSAC 平面拟合
- 远距离WiFi传输模块,云望物联cv5200无线通信技术,WiFi信号远距离传输
- java 硬币_如何将一笔钱兑换成纸币和硬币
- 雨课堂主观题导出 2022-05-30
- C语言:计算2的50次方需要多久?
- iOS15更新体验报告
- 基于matlab的吉布斯效应研究,MATLAB设计题目综述.doc