在深度学习中经常出现一些问题导致训练出来的效果不佳,这篇文章就说一说如何提升网络训练的质量
欠拟合 underfitting
就是模型的复杂度小于真实的复杂度,因此模型不能够表达真实的情况。如果遇到无论怎么训练,训练的accuracy很低,测试的accuracy很低,loss也下不去,这个时候很可能出现了underfitting。可以使用容量更大的模型来表达更加复杂的情况,或者更多的层数以及更多的节点。
模型的容量的概念,描述了模型的解释程度,提高模型容量(model capacity)如下图可以解决欠拟合,然而在实际的应用中过拟合的情况更多
过拟合Overfitting(Generalization Performance泛化能力)
模型复杂度大于真实模型的复杂度。表现为训练loss和训练accuracy都很好,但是测试accuracy不好。
如何检测overfitting:
- 使用交叉验证,将数据集分为Train、Validation、Test三个部分,其中Validation做模型参数的挑选,test做最后的性能检测
- 使用K-fold方式,将数据集划分为K份,每次去K-1份用来做train,一份用来做validation,每个epoch切换train和validation的数据集,这样既防止了死记硬背又防止了记忆的特性。这样会对网络有一定的提升(提升不算很大),Kera是提供了一个很方便的方法:network.fit(db_train, epochs=6, validation_split=0.1, validation_freq=2) 会将数据按照0.1和0.9来分。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 |
import tensorflow as tf from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics def preprocess(x, y): """ x is a simple image, not a batch """ x = tf.cast(x, dtype=tf.float32) / 255. x = tf.reshape(x, [28*28]) y = tf.cast(y, dtype=tf.int32) y = tf.one_hot(y, depth=10) return x,y batchsz = 128 (x, y), (x_test, y_test) = datasets.mnist.load_data() print('datasets:', x.shape, y.shape, x.min(), x.max()) idx = tf.range(60000) idx = tf.random.shuffle(idx) x_train, y_train = tf.gather(x, idx[:50000]), tf.gather(y, idx[:50000]) x_val, y_val = tf.gather(x, idx[-10000:]) , tf.gather(y, idx[-10000:]) print(x_train.shape, y_train.shape, x_val.shape, y_val.shape) ## train db_train = tf.data.Dataset.from_tensor_slices((x_train,y_train)) db_train = db_train.map(preprocess).shuffle(50000).batch(batchsz) db_val = tf.data.Dataset.from_tensor_slices((x_val,y_val)) db_val = db_val.map(preprocess).shuffle(10000).batch(batchsz) db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test)) db_test = db_test.map(preprocess).batch(batchsz) sample = next(iter(db_train)) print(sample[0].shape, sample[1].shape) network = Sequential([layers.Dense(256, activation='relu'), layers.Dense(128, activation='relu'), layers.Dense(64, activation='relu'), layers.Dense(32, activation='relu'), layers.Dense(10)]) network.build(input_shape=(None, 28*28)) network.summary() network.compile(optimizer=optimizers.Adam(lr=0.01), loss=tf.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy'] ) network.fit(db_train, epochs=6, validation_data=db_val, validation_freq=2) print('Test performance:') network.evaluate(db_test) sample = next(iter(db_test)) x = sample[0] y = sample[1] # one-hot pred = network.predict(x) # [b, 10] # convert back to number y = tf.argmax(y, axis=1) pred = tf.argmax(pred, axis=1) print(pred) print(y) |
如何减轻Overfitting
原则:如果不是必要的就选择最小的。
主流的做法:
- 提供更多的数据
- 降低模型的复杂度,数据集的大小和网络的大小是相对的
- Dropout
- Data argumentation
- Early Stopping 使用Validation set来做一个提前的终结
- Regularization
Regularization
经过Regularization退化成更少次方的网络结构,更低复杂度的网络结构从而降低Overfitting,是一种weight decay的方法
通过下面的例子可以清楚的看到Regularization降低网络的表达能力从而防止噪声造成的overfitting
Regularization常用的两种,第一种是在原来的loss的基础上加上一范数,第二种是在原来的loss的基础上加一个tensor的二范数,最常用的是第二种,注意这里的lamda是一个超参数需要人为的调整。
在keras中可通过下面的代码kera.regularizers.l2(lamda)进行Regularization的快速添加添加
另一种是人为的对每个w和b进行Regularization的处理,这样的灵活性比较大:
momentum动量:
梯度更新最基本的公式是直接使用一个固定的学习率,然而这样的方式的缺点很明显吧,这里额外的使用Zk,这个Zk是上一次的方向,这样两个方向加起来就是当前的更新方向和之前的更新方向的结合。
通过下面的两个例子进行比较:
无动量,固定学习率时:可以发现在局部最优解的时候就已经停止了,并且在一开始的时候更新的方向是非常随机的
使用动量时的更新:
在实际使用的时候很简单直接使用内置的函数就可以不需要人为的完成,这里也可以使用Adam优化器,对于Adam是没有动量的这个参数的而是在内部优化完成:
Learning Rate Tuning:
一般刚开始设置一个大的学习率,随着学习的进行动态的缩小学习率,调整非常的简单但是有效,这是逐渐衰减
这是突然衰减,具体的策略可以自定义:
Early Stop:
由于训练的epoch如果很大就有可能出现overfitting的情况,early stop就是说在出现overfitting之前就将模型停止掉,很好理解
通常通过Validation set来监测在最高点的时候停止,这个经验的判断,因为下降之后有可能又上升。
Dropout
learning less, learning better,
可以通过下图比较dropout的效果:
添加Dropout的方法很简单,直接layers.Dropout(断掉的概率)即可
注意,如果做了dropout之后,因为train的时候会dropout但是在test的时候不要dropout,因此train和test的时候逻辑是不一样的
- train – true
- validation – false
- test -false
Stochastic Gradient Descent 随机梯度下降(SGD)
注意虽然叫做随机但是不是真正的随机,而是符合某种分步的下降,随机是指从数据集中随机选取batch,然后计算他的梯度的平均值,也就是把原来整个数据集的梯度的均值变成batch上所有梯度的均值,这样因为由于显存的限制不可能一次把所有数据都加载进来计算一次,因此要使用SGD的策略一次取一个批次来计算。