深度学习Bible学习笔记:第七章 深度学习中的正则化
一、正则化介绍
问题:为什么要正则化?
NFL(没有免费的午餐)定理:
没有一种ML算法总是比别的好
好算法和坏算法的期望值相同,甚至最优算法跟随机猜测一样
前提:所有问题等概率出现且同等重要
实际并非如此,具体情况具体分析,把当前问题解决好就行了
不要指望找到放之四海而皆准的万能算法!
方差和偏差:
过拟合与欠拟合:
训练集和测试集
机器学习目标:
特定任务上表现良好的算法
泛化能力强-->验证集上的误差小,训练集上的误差不大(不必追求完美,否则可能会导致过拟合)即可。
如何提升泛化能力:
(1)数据
数据和特征是上限,而模型和算法只是在逼近这个上限而已
预处理:离散化、异常值、缺失值等
特征选择
特征提取:pca
构造新的数据:平移不变性
(2)模型
数据中加入噪音
正则化项:减少泛化误差(非训练误差)
集成方法
几种训练情形:
(1)不管真实数据的生成过程---欠拟合,偏差大
(2)匹配真实数据的生成过程---刚刚好
(3)不止真实数据的生成过程,还包含其他生成过程---过拟合,方差大
正则的目标:
从(3)--->(2),偏差换方差,提升泛化能力
注:
永远不知道训练出来的模型是否包含数据生成过程!
深度学习应用领域极为复杂,图像、语音、文本等,生成过程难以琢磨
事实上,最好的模型总是适当正则化的大型模型
正则化是不要的!!!
XTX不一定可逆(奇异),导致无法求逆(PCA)
解决:加正则,XTX--->XTX+αI(一定可逆),说明:α--阿尔法,I--大写的i,即单位阵。
大多数正则化能保证欠定(不可逆)问题的迭代方法收敛
注:伪逆
二、深度网络正则化
深度网络中的正则化策略有哪些?——传统ML方法的扩展
方法:
增加硬约束(参数范数惩罚):限制参数,如L1,L2
增加软约束(约束范数惩罚):惩罚目标函数
集成方法
其他
约束和惩罚的目的
植入先验知识
偏好简单模型
三、参数范数惩罚
从线性模型说起:
形式:y=Wx+b
W:两变量间的相互作用——重点关注
b:单变量——容易欠拟合,次要
仿射变换=线性变换+平移变换
参数范数惩罚:
通常只惩罚权重W,不管b——b是单变量,且容易过拟合
θ=(W;b)≈(W)
α是惩罚力度,Ω是正则项。
最常见,L2参数范数惩罚:
权重衰减(weight decay)
岭回归,Tikhonov正则
形式:
效果:
正则项Ω挤占原始目标J的空间,逼迫J
权重接近于原点(或任意点)
详细推导过程见P142-P143
L2正则能让算法“感知”到较高方差的输入x
线性缩放每个wi
L1参数范数惩罚:LASSO
形式:
效果:
L1与L2大不一样:线性缩放wi-->增加wi同号的常数
某些wi=0,产生稀疏解,常用于特征选择
除了L1,稀疏解的其他方法?
Student-t先验导出的惩罚
KL散度惩罚
注:不同于L1惩罚参数,惩罚激活单元
约束范数惩罚:
本质:约束问题--> 无约束问题
形式:
参数范数惩罚:
约束范数惩罚:
五、数据增强
提升泛化能力的最好办法:
数据增强:创造假数据
方法:
(1)数据造假:平移、旋转、缩放——不能改变类别
图像,语音
(2)注入噪声
输入层≈权重参数惩罚
隐含层:去噪编码器、dropout
权重:RNN
输出层:标签平滑(反例)
softmax永远无法真正预测0或1,需要做平滑,防止走极端
噪声鲁棒性:
注入噪声远比简单收缩参数强大,特别是加入隐含层
六、早停止
问题
随着时间推移,训练集误差逐渐减少,而验证集误差再次上升
能不能在转折点处提前终止呢?
早停止
当验证集误差在指定步数内没有改进,就停止
有效,简单,高效的超参选择算法
训练步数是唯一跑一次就能尝试很多值的超参
第二轮训练策略(验证集)
(1)再次初始化模型,使用所有数据再次训练
使用第一轮步数
(2)保持第一轮参数,使用全部数据继续训练
避免重新训练高成本,但表现没那么好,不保证终止
早停止为何有正则化效果?
表象:验证集误差曲线呈U型
本质:将参数空间限制在初始参数θ0的小邻域内(εt)
εt等效于权重衰减系数的倒数
相当于L2正则,但更具优势
自动确定正则化的正确量
七、参数绑定和参数共享
参数范数惩罚:
对偏离0(或固定区域)的参数进行惩罚,使用参数彼此接近
一种方式,还有吗?
参数共享:
强迫某些参数相等
优势:只有参数子集需要存储,节省内存。如CNN
八、集成方法
集成方法:
集合几个模型降低泛化误差的技术
模型平均:强大可靠
kaggle比赛中前三甲基本都是集成方法
Bagging:
有放回抽样,覆盖2/3
多个网络的集成
偏差换方差
Boosting:
单个网络的集成
方差换偏差
Dropout:
集成大量深层网络的bagging方法
多个弱模型组成一个强模型
施加到隐含层的掩掩码噪声
一般5-10个网络,太多会很难处理
示例:
2个输入,1个输出,2个隐含层
一共24=64种情形
问题:大部分没有输入,输入到输出的路径
网络越宽,这种问题概率越来越小
注:
不同于bagging,模型独立
dropout所有模型共享参数
推断:对所有成员累计投票做预测
效果:
Dropout比其他标准正则化方法更有效
权重衰减、过滤器范数约束、稀疏激活
可以跟其他形式正则一起使用
优点:
计算量小
不限制模型和训练过程
注:
随机性对dropout方法不必要,也不充分
九、对抗训练
人类不易察觉对抗样本与原始样本的差异,但网络可以
小扰动导致数据点流行变化
再次附上:
转载于:https://www.cnblogs.com/ariel-dreamland/p/9077793.html
深度学习Bible学习笔记:第七章 深度学习中的正则化相关推荐
- 李弘毅机器学习笔记:第七章—深度学习的发展趋势
李弘毅机器学习笔记:第七章-深度学习的发展趋势 回顾一下deep learning的历史: 1958: Perceptron (linear model) 1969: Perceptron has l ...
- Effective C++ 学习笔记 第七章:模板与泛型编程
第一章见 Effective C++ 学习笔记 第一章:让自己习惯 C++ 第二章见 Effective C++ 学习笔记 第二章:构造.析构.赋值运算 第三章见 Effective C++ 学习笔记 ...
- C语言学习-翁凯(第七章笔记)
C语言学习-翁凯(第七章笔记) 第七章 7.1.1初见函数 素数求和 int m,n;int i;int cnt=0;int sum=0;scanf("%d %d",&m, ...
- 《Go语言圣经》学习笔记 第七章 接口
<Go语言圣经>学习笔记 第七章 接口 目录 接口是合约 接口类型 实现接口的条件 flag.Value接口 接口值 sort.Interface接口 http.Handle接口 erro ...
- 第七章 深度强化学习-深度Q网络系列1(Deep Q-Networks,DQN)
获取更多资讯,赶快关注上面的公众号吧! 文章目录 第七章 深度强化学习-深度Q网络 7.1 学习目标 7.2 深度学习和强化学习的区别 7.3 DQN原理 7.4 DQN算法 7.4.1 预处理 7. ...
- Coursera吴恩达《优化深度神经网络》课程笔记(1)-- 深度学习的实用层面
红色石头的个人网站:redstonewill.com Andrew Ng的深度学习专项课程的第一门课<Neural Networks and Deep Learning>的5份笔记我已经整 ...
- 鸟哥的LINUX私房菜 基础学习篇 读书笔记 -- 第零章 计算机概论 (一)
鸟哥的LINUX私房菜 基础学习篇 读书笔记 -- 第零章 计算机概论 (一) 第零章 计算机概论 0.1 电脑:辅助人脑的好工具 0.1.1 计算机硬件五大组成部分 0.1.2 一切设计的起点: C ...
- [云数据中心] 《云数据中心网络架构与技术》读书笔记 第七章 构建多数据中心网络(1/3)
7.1 多数据中心的业务诉求场景 7.1.1 多数据中心的业务场景分析 主流需求:虚拟化和资源池化,形成多活,可就近提供服务 1. 业务跨数据中心部署 2. 两地三中心 是指在同城双活的数据中心基础上 ...
- Tensorflow 2.x(keras)源码详解之第七章:keras中的tf.keras.layers
大家好,我是爱编程的喵喵.双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中.从事机器学习以及相关的前后端开发工作.曾在阿里云.科大讯飞.CCF等比赛获得多次Top名次.现 ...
- 计算机组成原理白中英第七章,计算机组成原理第七章课件(白中英版).ppt
<计算机组成原理第七章课件(白中英版).ppt>由会员分享,可在线阅读,更多相关<计算机组成原理第七章课件(白中英版).ppt(32页珍藏版)>请在人人文库网上搜索. 1.计算 ...
最新文章
- java 类隔离_微服务架构中zuul的两种隔离机制实验
- ubuntu如何设置环境变量,方便log输出路径?(shell文件)
- 从专利数量看全球最具创新力的50家公司
- JS可以写操作系统?Windows 95被装进Electron App
- idea配置Run Dashboard的方法(亲测有效)
- WEB文件上传之JQuery ajaxfileupload插件使用(二)
- printf()函数不能直接输出string类型
- Pandas+Matplotlib,深入浅出Python数据分析
- python 进阶_GitHub - eastlakeside/interpy-zh: 《Python进阶》(Intermediate Python 中文版)...
- Qt界面刷新优化的一些心得
- mysql删表重来_BeetlSQL自定义NameConversion去除Pojo和表前缀
- c语言-输出菱形图案
- 不是计算机专业的,可以转行学IT吗?
- IDEA设置多行标签页
- 基于DDD的现代ASP.NET开发框架--ABP系列之2、ABP入门教程
- 三井住友保险郑永强:一个区块链用得极溜的CIO
- 视觉检测售价_机器人引导的视觉定位系统一般多少价格可靠?
- 基于 KU115+MPSOC 的 6U VPX 高速信号处理板(XCKU115 + ZU9EG +DSP)
- Python 与金融科技3|数据的重采样与蜡烛图(K线图)的绘制
- Hadoop集群(第9期)_MapReduce初级案例
热门文章
- hdu 5977 Garden of Eden(点分治+状压)
- MySQL -- 行转列 -- GROUP_CONCAT -- MAX(CASE WHEN THEN)
- CodeForces 689E (离散化+逆元+组合)
- Log4j 与 Logback的ConversionPattern对比
- 更改TFS项目中的SharePoint网站端口
- windows 2008 r2 AD密码策略
- 关于js的一切(updating...)
- LeetCode(748)——最短完整词(JavaScript)
- 用JS实现简单的省市联动
- 一个人越来越沉默,即便是对着家人也无话可说,这究竟是怎么了?