【过拟合】再也不用担心过拟合的问题了
点击上方,选择星标,每天给你送干货!
作者:Sean Benhur J
编译:ronghuaiyang(AI公园)
导读
使用SAM(锐度感知最小化),优化到损失的最平坦的最小值的地方,增强泛化能力。
论文:https://arxiv.org/pdf/2010.01412.pdf
代码:https://github.com/moskomule/sam.pytorch
动机来自先前的工作,在此基础上,我们提出了一种新的、有效的方法来同时减小损失值和损失的锐度。具体来说,在我们的处理过程中,进行锐度感知最小化(SAM),在领域内寻找具有均匀的低损失值的参数。这个公式产生了一个最小-最大优化问题,在这个问题上梯度下降可以有效地执行。我们提出的实证结果表明,SAM在各种基准数据集上都改善了的模型泛化。
在深度学习中,我们使用SGD/Adam等优化算法在我们的模型中实现收敛,从而找到全局最小值,即训练数据集中损失较低的点。但等几种研究表明,许多网络可以很容易地记住训练数据并有能力随时overfit,为了防止这个问题,增强泛化能力,谷歌研究人员发表了一篇新论文叫做Sharpness Awareness Minimization,在CIFAR10上以及其他的数据集上达到了最先进的结果。
在本文中,我们将看看为什么SAM可以实现更好的泛化,以及我们如何在Pytorch中实现SAM。
SAM的原理是什么?
在梯度下降或任何其他优化算法中,我们的目标是找到一个具有低损失值的参数。但是,与其他常规的优化方法相比,SAM实现了更好的泛化,它将重点放在领域内寻找具有均匀的低损失值的参数(而不是只有参数本身具有低损失值)上。
由于计算邻域参数而不是计算单个参数,损失超平面比其他优化方法更平坦,这反过来增强了模型的泛化。
(左))用SGD训练的ResNet收敛到的一个尖锐的最小值。(右)用SAM训练的相同的ResNet收敛到的一个平坦的最小值。
注意:SAM不是一个新的优化器,它与其他常见的优化器一起使用,比如SGD/Adam。
在Pytorch中实现SAM
在Pytorch中实现SAM非常简单和直接
import torchclass SAM(torch.optim.Optimizer):def __init__(self, params, base_optimizer, rho=0.05, **kwargs):assert rho >= 0.0, f"Invalid rho, should be non-negative: {rho}"defaults = dict(rho=rho, **kwargs)super(SAM, self).__init__(params, defaults)self.base_optimizer = base_optimizer(self.param_groups, **kwargs)self.param_groups = self.base_optimizer.param_groups@torch.no_grad()def first_step(self, zero_grad=False):grad_norm = self._grad_norm()for group in self.param_groups:scale = group["rho"] / (grad_norm + 1e-12)for p in group["params"]:if p.grad is None: continuee_w = p.grad * scale.to(p)p.add_(e_w) # climb to the local maximum "w + e(w)"self.state[p]["e_w"] = e_wif zero_grad: self.zero_grad()@torch.no_grad()def second_step(self, zero_grad=False):for group in self.param_groups:for p in group["params"]:if p.grad is None: continuep.sub_(self.state[p]["e_w"]) # get back to "w" from "w + e(w)"self.base_optimizer.step() # do the actual "sharpness-aware" updateif zero_grad: self.zero_grad()def _grad_norm(self):shared_device = self.param_groups[0]["params"][0].device # put everything on the same device, in case of model parallelismnorm = torch.norm(torch.stack([p.grad.norm(p=2).to(shared_device)for group in self.param_groups for p in group["params"]if p.grad is not None]),p=2)return norm
代码取自非官方的Pytorch实现。
代码解释:
首先,我们从Pytorch继承优化器类来创建一个优化器,尽管SAM不是一个新的优化器,而是在需要继承该类的每一步更新梯度(在基础优化器的帮助下)。
该类接受模型参数、基本优化器和rho, rho是计算最大损失的邻域大小。
在进行下一步之前,让我们先看看文中提到的伪代码,它将帮助我们在没有数学的情况下理解上述代码。
正如我们在计算第一次反向传递后的伪代码中看到的,我们计算epsilon并将其添加到参数中,这些步骤是在上述python代码的方法first_step中实现的。
现在在计算了第一步之后,我们必须回到之前的权重来计算基础优化器的实际步骤,这些步骤在函数second_step中实现。
函数_grad_norm用于返回矩阵向量的norm,即伪代码的第10行
在构建这个类后,你可以简单地使用它为你的深度学习项目通过以下的训练函数片段。
from sam import SAM
...model = YourModel()
base_optimizer = torch.optim.SGD # define an optimizer for the "sharpness-aware" update
optimizer = SAM(model.parameters(), base_optimizer, lr=0.1, momentum=0.9)
...for input, output in data:# first forward-backward passloss = loss_function(output, model(input)) # use this loss for any training statisticsloss.backward()optimizer.first_step(zero_grad=True)# second forward-backward passloss_function(output, model(input)).backward() # make sure to do a full forward passoptimizer.second_step(zero_grad=True)
...
总结
虽然SAM的泛化效果较好,但是这种方法的主要缺点是,由于前后两次计算锐度感知梯度,需要花费两倍的训练时间。除此之外,SAM还在最近发布的NFNETS上证明了它的效果,这是ImageNet目前的最高水平,在未来,我们可以期待越来越多的论文利用这一技术来实现更好的泛化。
英文原文:https://pub.towardsai.net/we-dont-need-to-worry-about-overfitting-anymore-9fb31a154c81
说个正事哈
由于微信平台算法改版,公号内容将不再以时间排序展示,如果大家想第一时间看到我们的推送,强烈建议星标我们和给我们多点点【在看】。星标具体步骤为:
(1)点击页面最上方“深度学习自然语言处理”,进入公众号主页。
(2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。
感谢支持,比心。
投稿或交流学习,备注:昵称-学校(公司)-方向,进入DL&NLP交流群。
方向有很多:机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦
整理不易,还望给个在看!
【过拟合】再也不用担心过拟合的问题了相关推荐
- 再也不用担心过拟合的问题了
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者 | Sean Benhur J 编译 | ronghuaiya ...
- gm怎么刷东西 rust_刷了这种黑板漆再也不用担心吃粉笔灰了
刷了这种黑板漆再也不用担心吃粉笔灰了 黑板漆正在越来越多的被人们使用,黑板墙很酷很实用,可以用在家里的各个地方,不仅仅是墙面.很多人想要,但又担心实际用起来会有各种问题,被提及最多的就是粉笔灰的问题啦 ...
- word公式插件_再也不用担心我的公式写不出来了:一款公式输入神器实测
→ → https://mp.weixin.qq.com/s/gNRWdN-W4_Eb2MyyTpWzjw关注微信公众号:人工智能前沿讲习,重磅干货,第一时间送达 本文推荐一个公式输入神器,只要截图就 ...
- 充电电流用软件测试准吗,实验:1A与2.1A对手机充电电流一样的,小伙伴再也不用担心咯...
新福克斯舒适,USB在手套箱(不方便啊,郁闷),插U盘放MP3, 一个行车记录仪,插在点烟器里,平时没事也够用, 要跑一次长途,用iPhone 5C高德导航,靠,问题来,没方充电,郁闷啊! 在 ...
- git for windows_手把手教会舍友玩 Git (包教包会,再也不用担心他的学习)
作 者: BWH_Steven 原文链接:https://www.cnblogs.com/ideal-20/p/13644420.html 舍友长大想当程序员,我和他爷爷奶奶都可高兴了,写他最喜欢的喜 ...
- rm: 无法删除swap: 不允许的操作_safe-rm老板再也不用担心我删库跑路啦[视频]
saferm 老板再不怕我删库跑路https://www.zhihu.com/video/1177717527541731328 在 linux 上,使用 rm 是一件非常危险的事情(最近又有朋友遇到 ...
- 不知道工作组名称怎样加入_剩米饭不知道怎样做?试试泡菜炒饭,再也不用担心米饭做多了...
剩米饭不知道怎样做?试试泡菜炒饭,再也不用担心米饭做多了 东北的朋友这几天连续经历了春天,初夏和冬天,甚至在一天中看到了雪.雨和冰雹.这变化莫测的天气让大家一时间慌了神,不知到底要穿些什么.由于楼上都 ...
- python实现抢劵_用Python实现微信自动化抢红包,再也不用担心抢不到红包了
1. 概述 刚刚收到了两个消息,一个好消息,一个坏消息. 先说好消息,好消息就是微信群里有人要发红包,开心~ 不过转念一想,前几次的红包一个都没抢到,这次???不由自主的叹了一口气 ... 过了一会, ...
- 妈妈再也不用担心别人问我是否真正用过redis了
1. Memcache与Redis的区别 1.1. 存储方式不同 1.2. 数据支持类型 1.3. 使用底层模型不同 2. Redis支持的数据类型 3. Redis的回收策略 4. Redis小命令 ...
- 请检查captcha表格_【分享】工程资料这样写,再也不用担心检查组来检查资料了...
活儿都干完了,碰到检查组来检查资料,啥?您说整齐的资料里有问题,这可如何是好? 不急,协会君为你整理了一份秘籍,请收好! 施工资料最常出错点1.施工资料管理要求不统一 主要体现在资料表格形式的不统一及 ...
最新文章
- python文件句柄_Python文件操作
- Java 数组的 12 个最佳方法
- 搭建Harbor企业级docker仓库
- Leetcode1695. 删除子数组的最大得分[C++题解]:双指针、区间内元素不能重复
- 【漫天烟花】绚烂烟花点亮夜空也太美了叭、某程序员携带烟花秀给大家拜年啦~
- java批量上传图片_JAVA图片批量上传JS-带预览功能
- android 十八 蓝牙及Wi-Fi
- 为什么人生气时说话用喊的
- mysql 检查点_my05_mysql检查点简述
- ubuntu如何解压.tar.gz
- wordpress更新主题时,显示无法连接到FTP服务器的问题解决
- web-jsp 购物车(2)
- 财务模块的一些基础概念
- Word如何自动多级编号
- Excel宏编程代码,根据混合的名次合并计算进退值
- sql update
- Angular之生命周期函数
- Go Web快速开发框架 Fiber
- 部署Guacamole远程控制桌面
- 润乾报表Api导出word只读