終于把神經(jīng)網(wǎng)絡中的正則化技術(shù)搞懂了?。?/h1>
大家好，我是小寒
今天給大家分享神經(jīng)網(wǎng)絡中常用的正則化技術(shù)。
神經(jīng)網(wǎng)絡中的正則化技術(shù)是用于防止模型過擬合的一系列方法。
過擬合通常發(fā)生在模型在訓練數(shù)據(jù)上表現(xiàn)得很好，但在測試數(shù)據(jù)上表現(xiàn)不佳，這意味著模型在訓練過程中學習到了數(shù)據(jù)中的噪聲或細節(jié)，而非通用的模式。
神經(jīng)網(wǎng)絡中常用的正則化技術(shù)包括
- 早停法
- L1 和 L2 正則化
- Dropout
- 數(shù)據(jù)增強
- 添加噪聲
- Batch Normalization
早停法
早停法是一種簡單但非常有效的正則化技術(shù)。
模型在訓練過程中會定期在驗證集上進行評估，如果驗證集上的損失開始增大（即驗證集的性能變差），則認為模型可能已經(jīng)過擬合。
早停法會在驗證損失不再下降時停止訓練，以防止模型繼續(xù)在訓練集上過度擬合。
import tensorflow as tf
# Creating a simple neural network model
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, activatinotallow='relu', input_shape=(100,)),
tf.keras.layers.Dense(32, activatinotallow='relu'),
tf.keras.layers.Dense(1, activatinotallow='sigmoid')
])
# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Using EarlyStopping callback
early_stopping = tf.keras.callbacks.EarlyStopping(
mnotallow='val_loss', # Monitoring validation loss
patience=5, # Number of epochs with no improvement to wait before stopping
restore_best_weights=True # Restores the weights of the best epoch
)
# Train the model with early stopping
model.fit(X_train, y_train, validation_split=0.2, epochs=100, callbacks=[early_stopping])L1 和 L2 正則化
L1正則化
import tensorflow as tf
from tensorflow.keras import regularizers
# Creating a simple neural network model with L1 regularization
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(100,),
kernel_regularizer=regularizers.l1(0.01)), # L1 Regularization
tf.keras.layers.Dense(32, activation='relu',
kernel_regularizer=regularizers.l1(0.01)),
tf.keras.layers.Dense(1, activation='sigmoid')
])
# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Summary of the model
model.summary()L2正則化
L2 正則化則在損失函數(shù)中加入權(quán)重平方和作為懲罰項，其公式為
正則化通過懲罰大權(quán)重的參數(shù)，迫使權(quán)重的分布更加均勻，防止模型對訓練數(shù)據(jù)中的特定特征過于敏感。
它不會像L1那樣產(chǎn)生稀疏解，但可以有效控制模型的復雜度。
import tensorflow as tf
from tensorflow.keras import regularizers
# Creating a neural network model with L2 regularization
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(100,),
kernel_regularizer=regularizers.l2(0.01)), # L2 Regularization
tf.keras.layers.Dense(32, activation='relu',
kernel_regularizer=regularizers.l2(0.01)),
tf.keras.layers.Dense(1, activation='sigmoid')
])
# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Summary of the model
model.summary()Dropout
Dropout 是一種非常流行的正則化方法，尤其在深度神經(jīng)網(wǎng)絡中。
訓練過程中，Dropout 隨機地“關(guān)閉”一部分神經(jīng)元及其連接，使得網(wǎng)絡在每次訓練迭代中只使用部分神經(jīng)元進行前向傳播和反向傳播。
Dropout 可以防止神經(jīng)元之間的共適應性，提高網(wǎng)絡的泛化能力。
圖片
import tensorflow as tf
# Creating a neural network model with Dropout
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(128, activatinotallow='relu', input_shape=(100,)),
tf.keras.layers.Dropout(0.5), # 50% Dropout
tf.keras.layers.Dense(64, activatinotallow='relu'),
tf.keras.layers.Dropout(0.5), # 50% Dropout
tf.keras.layers.Dense(10, activatinotallow='softmax')
])
# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# Summary of the model
model.summary()數(shù)據(jù)增強
數(shù)據(jù)增強是通過對訓練數(shù)據(jù)進行一些隨機變換（如旋轉(zhuǎn)、翻轉(zhuǎn)、縮放、裁剪等），人為地擴充數(shù)據(jù)集的規(guī)模，使模型能夠看到更多的“不同”的數(shù)據(jù)，從而減少過擬合。
這些變換不會改變數(shù)據(jù)的標簽，但會增加訓練數(shù)據(jù)的多樣性，迫使模型對不同的輸入具有更強的魯棒性。
圖片
from tensorflow.keras.preprocessing.image import ImageDataGenerator
# Create an ImageDataGenerator with augmentation
datagen = ImageDataGenerator(
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest'
)
# Example of applying the augmentation to an image
# Assuming 'images' is a numpy array of images
augmented_images = datagen.flow(images, batch_size=32)
# Use the augmented data for training
model.fit(augmented_images, epochs=10)添加噪聲
在訓練過程中，向輸入或隱藏層的神經(jīng)元加入隨機噪聲，以增強模型的魯棒性。
例如，可以向輸入數(shù)據(jù)中加入高斯噪聲或其他分布的噪聲。
這樣模型可以在面對真實數(shù)據(jù)中的擾動或噪聲時表現(xiàn)得更好，從而提升泛化能力。
圖片
Batch Normalization
批歸一化（Batch Normalization）也是一種廣泛使用的正則化技術(shù)，它的主要目的是解決訓練過程中的“內(nèi)部協(xié)變量偏移”，即網(wǎng)絡的每一層輸入分布在訓練過程中不斷變化的問題。
BN 將每一批數(shù)據(jù)的輸入進行歸一化，使得輸入數(shù)據(jù)的均值為0，方差為1，然后再對其進行縮放和平移：
