网站建设做得好,五金 东莞网站建设,北京大兴最专业的网站建设公司,2021最火的新媒体营销案例背景 在机器学习的模型中#xff0c;如果模型的参数太多#xff0c;而训练样本又太少#xff0c;训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题#xff0c;过拟合具体表现在#xff1a;模型在训练数据上损失函数较小#xff0c;预…背景 在机器学习的模型中如果模型的参数太多而训练样本又太少训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题过拟合具体表现在模型在训练数据上损失函数较小预测准确率较高但是在测试数据上损失函数比较大预测准确率较低。 过拟合是很多机器学习的通病。如果模型过拟合那么得到的模型几乎不能用。为了解决过拟合问题一般会采用模型集成的方法即训练多个模型进行组合。此时训练模型费时就成为一个很大的问题不仅训练多个模型费时测试多个模型也是很费时。 综上所述训练深度神经网络的时候总是会遇到两大缺点 1容易过拟合 2费时 Dropout可以比较有效的缓解过拟合的发生在一定程度上达到正则化的效果。 小结 好的模型应该是简单的模型能防止过拟合。 简单性的另一个角度是平滑性即函数不应该对其输入的微小变化敏感。加入噪声能在输入-输出映射上增强平滑性。在暂退法Drop out 中增加噪声的方式是在前向传播过程中计算每一内部层的同时注入噪声。将概率p的值置为0 其他值修改为 h/(1-p)保证期望前后不变。 实践中的暂退法为 5. 在测试时不用使用dropout. 我们在测试时不用暂退法。 给定一个训练好的模型和一个新的样本我们不会丢弃任何节点因此不需要标准化 6. 实现 dropout1, dropout2 0.2, 0.5 net nn.Sequential(nn.Flatten(),nn.Linear(784, 256),nn.ReLU(),# 在第一个全连接层之后添加一个dropout层nn.Dropout(dropout1),nn.Linear(256, 256),nn.ReLU(),# 在第二个全连接层之后添加一个dropout层nn.Dropout(dropout2),nn.Linear(256, 10))def init_weights(m):if type(m) nn.Linear:nn.init.normal_(m.weight, std0.01)net.apply(init_weights); trainer torch.optim.SGD(net.parameters(), lrlr) d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)