pytorch-解决过拟合之regularization

1.解决过拟合的方法

更多的数据
降低模型复杂度
regularization
Dropout
数据处理
早停止

2. regularization

以二分类的cross entropy为例，就是在其公式后增加一项参数一范数累加和，并乘以一个超参数用来权衡参数配比。
模型优化是要使得前部分loss尽量小，那么同时也要后半部分范数接近于0，但是为了保持模型的表达能力还要保留比如 $β_{0}$ + $β_{1}$ x+ $β_{2}$ $x^2$ ，那么可能使得 $β_{0}$ 、 $β_{2}$ 、 $β_{3}$ = 0.01 而 $β_{4}$ - $β_{n}$ 很小很小，比如0.0001，这样就使得比如f(x)= $x^7$ ，退化为 $β_{0}$ + $β_{1}$ x+ $β_{2}$ $x^2$ ，这样即保证了模型的表达能力，也降低了模型的复杂度。从而防止过拟合。
在这里插入图片描述
下图是未增加regularization和增加了regularization的区别展示图
可以看出未增加regularization的时候，模型可以将噪点也拟合进去了，因此图形很不平滑，发生了过拟合。而增加regularization之后，图形变得很平滑。
在这里插入图片描述

2. regularization分类

regularization有两类分别是L1和L2，L1增加的是参数的一范数，L2增加的二范数
在这里插入图片描述
最常用的是L2regularization

3. pytorch L2 regularization

pytorch中L2 regularization叫weight_decay
在这里插入图片描述

4. 自实现L1 regularization

在这里插入图片描述

5. 完整代码

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transformsfrom visdom import Visdombatch_size=200
learning_rate=0.01
epochs=10train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.ToTensor(),# transforms.Normalize((0.1307,), (0.3081,))])),batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=False, transform=transforms.Compose([transforms.ToTensor(),# transforms.Normalize((0.1307,), (0.3081,))])),batch_size=batch_size, shuffle=True)class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.model = nn.Sequential(nn.Linear(784, 200),nn.LeakyReLU(inplace=True),nn.Linear(200, 200),nn.LeakyReLU(inplace=True),nn.Linear(200, 10),nn.LeakyReLU(inplace=True),)def forward(self, x):x = self.model(x)return xdevice = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate, weight_decay=0.01)
criteon = nn.CrossEntropyLoss().to(device)viz = Visdom()viz.line([0.], [0.], win='train_loss', opts=dict(title='train loss'))
viz.line([[0.0, 0.0]], [0.], win='test', opts=dict(title='test loss&acc.',legend=['loss', 'acc.']))
global_step = 0for epoch in range(epochs):for batch_idx, (data, target) in enumerate(train_loader):data = data.view(-1, 28*28)data, target = data.to(device), target.cuda()logits = net(data)loss = criteon(logits, target)optimizer.zero_grad()loss.backward()# print(w1.grad.norm(), w2.grad.norm())optimizer.step()global_step += 1viz.line([loss.item()], [global_step], win='train_loss', update='append')if batch_idx % 100 == 0:print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))test_loss = 0correct = 0for data, target in test_loader:data = data.view(-1, 28 * 28)data, target = data.to(device), target.cuda()logits = net(data)test_loss += criteon(logits, target).item()pred = logits.argmax(dim=1)correct += pred.eq(target).float().sum().item()viz.line([[test_loss, correct / len(test_loader.dataset)]],[global_step], win='test', update='append')viz.images(data.view(-1, 1, 28, 28), win='x')viz.text(str(pred.detach().cpu().numpy()), win='pred',opts=dict(title='pred'))test_loss /= len(test_loader.dataset)print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(test_loss, correct, len(test_loader.dataset),100. * correct / len(test_loader.dataset)))