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.pyplotas plt

N_SAMPLES=20
N_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 tinrange(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