在训练过程中,每次随机选择一部分节点不去进行学习。
任何一个模型不能完全把数据分开,在某一类中一定会有一些异常数据,过拟合的问题恰恰是把这些异常数据当成规律来学习了。
异常数据的特点:与主流样本中的规律不同,在一个样本中出现的概率要比主流数据出现的概率低很多。在每次训练中,忽略模型中一些节点,将小概率的异常数据获得学习的机会变得更低。这样,异常数据对模型的影响就会更小。
Dropout会使一部分节点不去学习,所以在增加模型的泛化能力的同时,会使学习速度隆低。这注意样会使模型不太容易学成,于是在使用的过程中需要令理地进行调节,也就是确定到底丢弃多少节点。注意,并不是丢弃的节点越多越好。
torch.nn.functional.dropout(input,p=0.5,training=False,inplace=False)
2.3.1 修改上篇文章中的# 2 搭建网络模型部分
# 2 搭建网络模型
# model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型,增加拟合能力将hiddendim赋值为500
# 替换为
class Logic_Dropout_Net(LogicNet):
def __init__(self,inputdim,hiddendim,outputdim):
super(Logic_Dropout_Net, self).__init__(inputdim,hiddendim,outputdim)
# 方法2:使用类的方法实现步骤1
#self.dropout = nn.Dropout(p=0.07)
def forward(self,x):
x = self.Linear1(x)
x = torch.tanh(x)
# 方法1 使用函数的方式实现
x = nn.functional.dropout(x,p=0.01,training=self.training)
# 方法2:使用类的方法实现步骤2
# x = self.dropout(x)
x = self.Linear2(x)
return x
model = Logic_Dropout_Net(inputdim=2,hiddendim=500,outputdim=2) # 初始化模型
Dropout01.py
import sklearn.datasets
import torch
import numpy as np
import matplotlib.pyplot as plt
from torch import nn
from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary
# 1 构建数据集
np.random.seed(0) # 设置随机数种子
X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据
arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引
arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引
# 显示数据
plt.title("train moons data")
plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1')
plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2')
plt.legend()
plt.show()
# 2 搭建网络模型
# model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型,增加拟合能力将hiddendim赋值为500
# 替换为
class Logic_Dropout_Net(LogicNet):
def __init__(self,inputdim,hiddendim,outputdim):
super(Logic_Dropout_Net, self).__init__(inputdim,hiddendim,outputdim)
# 方法2:使用类的方法实现步骤1
#self.dropout = nn.Dropout(p=0.07)
def forward(self,x):
x = self.Linear1(x)
x = torch.tanh(x)
# 方法1 使用函数的方式实现
x = nn.functional.dropout(x,p=0.01,training=self.training)
# 方法2:使用类的方法实现步骤2
# x = self.dropout(x)
x = self.Linear2(x)
return x
model = Logic_Dropout_Net(inputdim=2,hiddendim=500,outputdim=2) # 初始化模型
optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。
# 3 训练模型+训练过程loss可视化
xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量
yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量
epochs = 1000 # 定义迭代次数
losses = [] # 损失值列表
for i in range(epochs):
loss = model.getloss(xt,yt)
losses.append(loss.item()) # 保存损失值中间状态
optimizer.zero_grad() # 清空梯度
loss.backward() # 反向传播损失值
optimizer.step() # 更新参数
avgloss = moving_average(losses) # 获得损失值的移动平均值
plt.figure(1)
plt.subplot(211)
plt.xlabel('step number')
plt.ylabel('Training loss')
plt.title('step number vs Training loss')
plt.show()
# 4 模型结果可视化,观察过拟合现象
plot_decision_boundary(lambda x: predict(model,x),X,Y)
from sklearn.metrics import accuracy_score
print("训练时的准确率",accuracy_score(model.predict(xt),yt))
# 重新生成两组半圆数据
Xtest,Ytest = sklearn.datasets.make_moons(80,noise=0.2)
plot_decision_boundary(lambda x: predict(model,x),Xtest,Ytest)
Xtest_t = torch.from_numpy(Xtest).type(torch.FloatTensor) # 将numpy数据转化为张量
Ytest_t = torch.from_numpy(Ytest).type(torch.LongTensor)
print("测试时准确率",accuracy_score(model.predict(Xtest_t),Ytest_t))
LogicNet_fun.py
import torch.nn as nn #引入torch网络模型库
import torch
import numpy as np
import matplotlib.pyplot as plt
# 1.2 定义网络模型
class LogicNet(nn.Module): #继承nn.Module类,构建网络模型
def __init__(self,inputdim,hiddendim,outputdim): #初始化网络结构 ===》即初始化接口部分
super(LogicNet,self).__init__()
self.Linear1 = nn.Linear(inputdim,hiddendim) #定义全连接层
self.Linear2 = nn.Linear(hiddendim,outputdim) #定义全连接层
self.criterion = nn.CrossEntropyLoss() #定义交叉熵函数
def forward(self,x):# 搭建用两个全连接层组成的网络模型 ===》 即正向接口部分:将网络层模型结构按照正向传播的顺序搭建
x = self.Linear1(x)# 将输入传入第一个全连接层
x = torch.tanh(x)# 将第一个全连接层的结果进行非线性变化
x = self.Linear2(x)# 将网络数据传入第二个全连接层
return x
def predict(self,x):# 实现LogicNet类的预测窗口 ===》 即预测接口部分:利用搭建好的正向接口,得到模型预测结果
#调用自身网络模型,并对结果进行softmax()处理,分别的出预测数据属于每一个类的概率
pred = torch.softmax(self.forward(x),dim=1)# 将正向结果进行softmax(),分别的出预测结果属于每一个类的概率
return torch.argmax(pred,dim=1)# 返回每组预测概率中最大的索引
def getloss(self,x,y):# 实现LogicNet类的损失值接口 ===》 即损失值计算接口部分:计算模型的预测结果与真实值之间的误差,在反向传播时使用
y_pred = self.forward(x)
loss = self.criterion(y_pred,y)# 计算损失值的交叉熵
return loss
# 1.5 训练可视化
def moving_average(a,w=10): #计算移动平均损失值
if len(a) < w:
return a[:]
return [val if idx < w else sum(a[(idx - w):idx]) / w for idx, val in enumerate(a)]
def moving_average_to_simp(a,w=10): #
if len(a) < w:
return a[:]
val_list = []
for idx, val in enumerate(a):
if idx < w:# 如果列表 a 的下标小于 w, 直接将元素添加进 xxx 列表
val_list.append(val)
else:# 向前取 10 个元素计算平均值, 添加到 xxx 列表
val_list.append(sum(a[(idx - w):idx]) / w)
def plot_losses(losses):
avgloss = moving_average(losses)#获得损失值的移动平均值
plt.figure(1)
plt.subplot(211)
plt.plot(range(len(avgloss)),avgloss,'b--')
plt.xlabel('step number')
plt.ylabel('Training loss')
plt.title('step number vs Training loss')
plt.show()
# 1.7 数据可视化模型
def predict(model,x): #封装支持Numpy的预测接口
x = torch.from_numpy(x).type(torch.FloatTensor)
model = LogicNet(inputdim=2, hiddendim=3, outputdim=2)
ans = model.predict(x)
return ans.numpy()
def plot_decision_boundary(pred_func,X,Y): #在直角模型中实现预测结果的可视化
#计算范围
x_min ,x_max = X[:,0].min()-0.5 , X[:,0].max()+0.5
y_min ,y_max = X[:,1].min()-0.5 , X[:,1].max()+0.5
h=0.01
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
#根据数据输入进行预测
Z = pred_func(np.c_[xx.ravel(),yy.ravel()])
Z = Z.reshape(xx.shape)
#将数据的预测结果进行可视化
plt.contourf(xx,yy,Z,cmap=plt.cm.Spectral)
plt.title("Linear predict")
arg = np.squeeze(np.argwhere(Y==0),axis=1)
arg2 = np.squeeze(np.argwhere(Y==1),axis=1)
plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+')
plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o')
plt.show()
wide_deep模型就是利用了深层网络与浅层网络的特征实现的组合模型,该模型由以下两个模型的输出结果叠加而成。
wide模型是一个单层线性模型(浅层全连接网络模型)。
deep模型是一个深度的全连接模型(深层全连接网络模型)。