贵州网站集约化建设,搜索引擎入口官网,班徽logo设计生成器,企业网站建设的方案ppt第一章 神经网络是如何实现的
这些年神经网络的发展越来越复杂#xff0c;应用领域越来越广#xff0c;性能也越来越好#xff0c;但是训练方法还是依靠 BP 算法。也有一些对 BP 算法的改进算法#xff0c;但是大体思路基本是一样的#xff0c;只是对 BP 算法个别地方的一…第一章 神经网络是如何实现的
这些年神经网络的发展越来越复杂应用领域越来越广性能也越来越好但是训练方法还是依靠 BP 算法。也有一些对 BP 算法的改进算法但是大体思路基本是一样的只是对 BP 算法个别地方的一些小改进比如变步长、自适应步长等。还有就是由于训练数据存在噪声训练神经网络时也并不是损失函数越小越好。当损失函数特别小时可能会出现所谓的“过拟合”问题导致神经网络在实际使用时性能严重下降。
六、过拟合问题 1. 什么是过拟合问题 上图中蓝色圆点给出的是 6 个样本点假设这些样本点来自于某个曲线的采样但是我们又不知道原曲线是什么样子如何根据这 6 个样本点“恢复”出原曲线呢这就是拟合问题。下图给出了 3 种拟合方案其中绿色的是一条直线显然拟合的有些粗糙蓝色曲线有点复杂经过了每一个样本点该曲线与 6 个采样点完美地拟合在一起似乎是个不错的结果但是为此付出的代价是曲线弯弯曲曲感觉是为拟合而拟合没有考虑 6 个样本点的分布趋势。考虑到采样过程中往往是含有噪声的这种所谓的完美拟合其实并不完美。红色曲线虽然没有经过每个样本点但是更能反映 6 个样本点的分布趋势很可能更接近于原曲线所以有理由认为红色曲线更接近原始曲线是我们想要的拟合结果。如果我们用拟合函数与样本点的误差平方和作为拟合好坏的评价也就是损失函数绿色曲线由于距离样本点比较远损失函数最大蓝色曲线由于经过了每个样本点误差为 0损失函数最小而红色曲线的损失函数介于二者之间。绿色曲线由于拟合的不够我们称作欠拟合蓝色曲线由于拟合过渡我们称为过拟合而红色曲线是我们希望的拟合结果。在神经网络的训练中也会出现类似的欠拟合和过拟合的问题。 欠拟合显然是不好的结果过拟合会带来什么问题呢
2. 神经网络的过拟合问题 我们把样本集分成训练集和测试集两个集合训练集用于神经网络的训练测试集用于测试神经网络的性能。如上图所示纵坐标是错误率横坐标是训练时的迭代轮次。红色曲线是在训练集上的错误率蓝色曲线是测试集上的错误率。每经过一定的训练迭代轮次后就测试一次训练集和测试集上的错误率。从图中可以发现在训练的开始阶段由于处于欠拟合状态无论是训练集上的错误率还是测试集上的错误率都随着训练的进行逐步下降。但是当训练迭代轮次达到 N 次后测试集上的错误率反而逐步上升了这就是出现了过拟合现象。测试集上的错误率相当于神经网络在实际使用中的表现因此我们希望得到一个合适的拟合使得测试集上的错误率最小所以应该在迭代轮次达到 N 次时就结束训练以防止出现过拟合现象。训练时并不是损失函数越小越好。何时开始出现过拟合并不容易判断。一种简单的方法就是使用测试集做出像上图那样的错误率曲线找到 N 点用在 N 点得到的参数值作为神经网络的参数值就可以了。但这种方法要求样本集合比较大才行因为无论是训练还是测试都需要比较多的样本才行。而实际使用时往往是面临样本不足的问题。为解决过拟合问题研究者提出了一些方法可以有效缓解过拟合问题。当然每种方法都不是万能的只能说在一定程度上弱化了过拟合问题。
3. 减少过拟合的方法正则化项法
BP算法时用的损失函数是 E d ( w ) ∑ k 1 M ( t k d − o k d ) 2 E_d(w) \sum^{M}_{k1}{(t_{kd} - o_{kd})^2} Ed(w)k1∑M(tkd−okd)2
在这个损失函数上增加一个正则化项 ∥ w ∥ 2 2 \begin{Vmatrix}w\\\end{Vmatrix}_2^2 w 22 变成 E d ( w ) ∑ k 1 M ( t k d − o k d ) 2 ∥ w ∥ 2 2 E_d(w) \sum^{M}_{k1}{(t_{kd} - o_{kd})^2} \begin{Vmatrix}w\\\end{Vmatrix}_2^2 Ed(w)k1∑M(tkd−okd)2 w 22其中 ∥ w ∥ 2 2 \begin{Vmatrix}w\\\end{Vmatrix}_2^2 w 22 表示权重w的2-范数 ∥ w ∥ 2 2 \begin{Vmatrix}w\\\end{Vmatrix}_2^2 w 22 表示2-范数的平方。w的2-范数就是每个权重 w i w_i wi 平方后求和再开方这里用的是2-范数的平方所以就是权重的平方和了。如果用 w i ( i 1 , 2 , . . . , N ) w_i(i1,2,...,N) wi(i1,2,...,N) 表示第i个权重则 ∥ w ∥ 2 2 w 1 2 w 2 2 ⋯ w N 2 \begin{Vmatrix}w\\\end{Vmatrix}_2^2 w_1^2 w_2^2 \cdots w_N^2 w 22w12w22⋯wN2当然这里并不局限于2-范数也可以用其他的范数。
4. 正则化项的作用降低模型复杂性
为什么增加了正则化项后就可以避免过拟合呢 添加了正则化项的损失函数相当于在最小化损失函数的同时要求权重也尽可能地小相当于限制了权重的变化范围。以下图所示的曲线拟合为例说明作为一般的情况一个曲线拟合函数f(x)可以认为是如下形式 f ( x ) w 0 w 1 x w 2 x 2 ⋯ w n x n f(x) w_0 w_1x w_2x^2 \cdots w_nx^n f(x)w0w1xw2x2⋯wnxn如果f(x)中包含的 x n x_n xn 项越多n越大则f(x)越可以表示复杂的曲线拟合能力就越强也更容易造成过拟合。 比如在上图所示的3条曲线绿色曲线是个直线其形式为 f ( x ) w 0 w 1 x f(x) w_0 w_1x f(x)w0w1x只含有x项只能表示直线所以就表现为欠拟合。而对于其中的蓝色曲线其形式为 f ( x ) w 0 w 1 x w 2 x 2 w 3 x 3 w 4 x 4 w 5 x 5 f(x) w_0 w_1x w_2x^2 w_3x^3 w_4x^4 w_5x^5 f(x)w0w1xw2x2w3x3w4x4w5x5 含有5个 x n x^n xn 项表达能力比较强从而造成了过拟合。而对于其中的红色曲线其形式为 f ( x ) w 0 w 1 x w 2 x 2 f(x) w_0 w_1x w_2x^2 f(x)w0w1xw2x2 含有2个 x n x^n xn 项对于这个问题来说可能刚好合适所以体现了比较好的拟合效果。但是在实际当中呢我们很难知道应该有多少个 x n x^n xn 项是合适的有可能 x n x^n xn 项是比较多的通过在损失函数中加入正则化项使得权重w尽可能地小在一定程度上可以限制过拟合情况的发生。比如对于蓝色曲线 f ( x ) w 0 w 1 x w 2 x 2 w 3 x 3 w 4 x 4 w 5 x 5 f(x) w_0 w_1x w_2x^2 w_3x^3 w_4x^4 w_5x^5 f(x)w0w1xw2x2w3x3w4x4w5x5 虽然它含有5个 x n x^n xn 项但是如果我们最终得到的 w 3 w_3 w3 、 w 4 w_4 w4 、 w 5 w_5 w5 都比较小的话那么也就与红色曲线 f ( x ) w 0 w 1 x w 2 x 2 f(x) w_0 w_1x w_2x^2 f(x)w0w1xw2x2 比较接近了。对于一个复杂的神经网络来说一般具有很强的表达能力如果不采取专门的方法加以限制的话很容易造成过拟合。
5. L22-范数正则化项 6. L11-范数正则化项 7. 减少过拟合的方法舍弃法Dropout
所谓的舍弃法就是在训练神经网络的过程中随机地临时删除一些神经元只对剩余的神经元进行训练。哪些神经元被舍弃是随机的并且是临时的只在这次权重更新中被舍弃下一次更新时哪些神经元被舍弃再重新随机选择也就是说每进行一次权重更新都要重新做一次随机舍弃。下图给出了一个舍弃示意图图中虚线所展示的神经元表示被临时舍弃了可以认为这些神经元被临时从神经网络中删除了。舍弃只发生在训练时训练完成后在使用神经网络时所有神经元都被使用。一个神经网络含有的神经元越多表达能力越强越容易造成过拟合。所以简单地理解就是在训练阶段通过舍弃减少神经元的数量得到一个简化的神经网络降低了神经网络的表达能力。但是由于每次舍弃的神经元又是不一样的相当于训练了多个简化的神经网络在使用神经网络时又是使用所有神经元所以相当于多个简化的神经网络集成在一起使用既可以减少过拟合又能保持神经网络的性能。举一个例子说明这样做的合理性。比如有 10 个同学组成一个小组做实验如果 10 个同学每次都一起做很可能就是两三个学霸在起主要作用其他同学得不到充分的训练。但是如果引入“舍弃机制”每次都随机地从 10 名同学中选取 5 名同学做实验这样会有更多的同学得到了充分的训练。当 10 名同学组合在一起开展研究时由于每个同学都得到了充分的训练所以 10 人组合在一起会具有更强的研究能力。 舍弃是在神经网络的每一层进行的除了输入层和输出层外每一层都会发生舍弃舍弃的比例大概在50%左右也就是说在神经网络的每一层都大约舍弃掉50%左右的神经元。
8. 减少过拟合的方法数据增强法
在曲线拟合中如果数据足够多过拟合的风险就会变小因为足够多的数据会限制拟合函数的激烈变化使得拟合函数更接近原函数。
9. 如何获得更多的数据
除了尽可能收集更多的数据外可以利用已有的数据产生一些新数据。比如想识别猫和狗我们已经有了一些猫和狗的图片那么可以通过旋转、缩放、局部截取、改变颜色等方法将一张图片变换成很多张图片使得训练样本数量数十倍、数百倍地增加。实验表明通过数据增强可以有效提高神经网络的性能。 10. 总结 由于数据存在噪声等原因在神经网络的训练过程中并不是损失函数越小越好因为当训练到一定程度后进一步减少训练集上的误差反而会加大在测试集上的误差。这一现象称为过拟合。有三种减少过拟合的方法
1正则项法。也就是在损失函数中增加正则项让权重尽可能地小达到防止过拟合的目的。
2舍弃法。在训练过程中随机地临时舍弃一部分神经元每次舍弃都相当于只训练一个子网络。其结果相当于训练了多个子网络再集成在一起使用网络的每个部分都得到了充分的训练从而提高了神经网络的整体性能。
3数据增强法。一般来说训练数据越大训练的神经网络性能会越好。当没有足够多的训练数据时可以通过对已有数据进行处理产生新的数据的办法增大训练数据。这一方法称为数据增强方法。比如对于图像数据可以通过旋转、缩放、局部截取、改变颜色等方法将一张图片变换成很多张图片使得训练样本数量数十倍、数百倍地增加。
