攻破tensorflow,勇创最佳agent(2)---损失(loss) 准确率(accuracy)问题

实战播:

怎么判定一个模型好不好,你设置的值对不对? 需要再看几个值:

例如:

 model = Sequential()for units in model_structure:model.add(Dense(units, activation='relu'))model.add(Dropout(train_config.get('dropout_rate', 0.3)))model.add(Dense(1, activation='sigmoid'))

他的训练集表现损失值不好! 一直维持在0.68+;这就需要不好了;

那么模型的损失（loss）值表现不佳怎么解决这个问题?

调整学习率：如果学习率过高，可能导致损失值波动，建议尝试降低学习率，例如使用学习率衰减策略来动态调整学习率。(这个可以看我之前的:创作中心-CSDN)
数据增强：如果训练数据集规模较小，可以使用数据增强技术，例如随机旋转、剪裁等，增强数据的多样性和模型的泛化能力。(因为我现在是一个2分类问题,全部都是数据,所以就不考虑;唯一的方式就是增加数据量!)
模型正则化：增加Dropout层或使用L1/L2正则化，防止模型过拟合。例如，Dropout的概率可以调整为0.2到0.5之间。
调整网络结构：尝试不同的模型结构，比如增加或减少神经元的数量，或者导入复杂的层结构（例如，残差连接）来改善模型性能。
批量大小（Batch Size）调整：确保Batch Size适中，过小可能导致不稳定，过大则可能导致计算不精确。可以尝试调整Batch Size以优化训练过程。

dense层和dropout层:

想象你正在训练一只机器人助手，它需要学会识别不同的水果。这个机器人有很多“小助手”（神经元），它们一起合作来完成任务。

Dense层（全连接层）
- 小助手A：负责把水果的特征（颜色、形状、大小）整理成一份报告。
- 小助手B：负责根据这份报告，判断水果是苹果、香蕉还是橘子。
- 小助手C：负责把判断结果转化为机器人能理解的指令，比如“抓取苹果”。
- 每个小助手都和其他小助手紧密合作，确保信息传递准确无误。
在代码中，Dense(units, activation='relu') 就是添加一个全连接层，units 是小助手的数量，activation='relu' 是小助手们合作时使用的方式（ReLU激活函数）。
Dropout层
- 在训练过程中，为了让小助手们不要过于依赖某些特定的水果特征，机器人会随机让部分小助手“休息”。
- 比如，今天小助手A和B休息了，小助手C和D继续工作。这样，机器人学会了在不同的小助手组合下完成任务，变得更加灵活和稳定。
在代码中，Dropout(train_config.get('dropout_rate', 0.3)) 就是设置让30%的小助手随机“休息”，以防止过拟合。

总结

Dense层：像是一个团队，每个成员都紧密合作，负责特定的任务。
Dropout层：像是一个轮换机制，确保团队成员不会过于依赖某些特定的成员，从而提升整体的适应能力。

案例表达: (模型正则化)

1.当我尝试把dropout_rate从0.3调到0.5

... (原先是0.71-->0.68,同时准确率维持在0.55+)

model.add(Dropout(train_config.get('dropout_rate', 0.5)))

2.现在我把代码改为正则化:

model = Sequential()
for units in model_structure:model.add(Dense(units, activation='relu', kernel_regularizer=regularizers.l2(0.01)))  # 使用L2正则化# model.add(Dense(units, activation='relu', kernel_regularizer=regularizers.l1(0.01)))  # 使用L1正则化
model.add(Dense(1, activation='sigmoid'))

在此代码中，kernel_regularizer=regularizers.l2(0.01)添加了L2正则化，而kernel_regularizer=regularizers.l1(0.01)则为L1正则化。

因此,当我使用L1或者L2之后,还没有之前的手动效果好! 因此,这个训练集--->舍弃正则化!!!

L1与L2正则化的定义

L1正则化（Lasso回归）：通过在损失函数中增加权重绝对值的和作为惩罚项，从而驱使某些权重减小到零，生成稀疏解，适合特征选择.
L2正则化（Ridge回归）：通过增加权重平方和作为惩罚项，促使所有权重趋向较小的均匀值，而不是完全为零。它通过减少权重避免过拟合，增强模型的稳定性.

这两种正则化方法可以在模型中结合使用，以提高模型的泛化能力和抗干扰能力。

训练集（loss）和验证集（val_loss）

训练集（loss）：这就像是在练习题上不断练习，模型在这些题目上越来越熟练，错误越来越少。loss值越小，说明模型在训练数据上表现越好。
验证集（val_loss）：这就像是在考试题目上测试，loss值越小，说明模型在真实数据上的表现越好。

训练集（accuracy）和验证集（val_accuracy）

训练集（accuracy）：这就像是在练习题上答对的比例，accuracy越高，说明模型在训练数据上越熟练。
验证集（val_accuracy）：这就像是在考试题上答对的比例，accuracy越高，说明模型在真实数据上的表现越好。

数据

epoch 1：模型刚开始训练，loss和val_loss都很高，accuracy和val_accuracy也很低。就像刚上学的孩子，刚开始学东西，什么都不会。
epoch 5：loss和val_loss都在下降，accuracy和val_accuracy也在上升。就像孩子逐渐掌握知识，练习题和考试题都能答对更多。
epoch 10：loss和val_loss继续下降，accuracy和val_accuracy继续上升。就像孩子越来越熟练，考试成绩也越来越好。
epoch 15：loss和val_loss下降变慢，accuracy和val_accuracy也趋于稳定。就像孩子已经掌握了大部分知识，进一步提高需要更多的努力。