斯坦福大学深度学习公开课cs231n学习笔记（7）神经网络防止数据过拟合：损失函数和正则化
在第二节课中，大概提到了线性分类器的损失函数和正则化方法，类似的，在神经网络中也会用到这几个概念方法。这里我没有按照课中先正则化后损失函数的顺序做笔记，还是先说损失函数（也叫代价函数）部分。
损失函数
损失函数是一个有监督学习问题，用于衡量分类算法的预测结果（分类评分）和真实结果之间的一致性。数据损失是所有样本数据损失的平均值：
，神经网络在实际应用时常用来解决的问题是：分类问题和回归问题。
分类问题中，常用的损失函数有 SVM，Softmax。
SVM对应的损失函数表达式：
Softmax对应的损失函数为：
当标签集非常大（例如字典中的所有英语单词，或ImageNet中的22000种分类），需要使用分层Softmax（Hierarchical Softmax）分类：分层softmax是将标签分解为一个树，每个标签对应这个树上的一个路径，树的每个节点都通过训练一个Softmax分类器来做决策，已确定树的左分支还是右分支。
回归问题：即预测问题，例如预测房价等。对于回归问题，通常是计算预测值和真实值之间的损失，使用L2范式或L1范式去度量损失差异。
--->L2范式
--->L1范式
课中给出的建议：在面对一个回归问题时，首先考虑将输出变成二值化是否确实不够用，如果确信分类不适用，在考虑使用L2损失。例如对一个产品的星级进行预测时，使用5个独立的分类器打分成1-5星的做法，一般会比使用回归损失取得的效果要好。另外分类可以给出关于回归的输出分布，而不是仅仅给出一个简单的输出值。
原因是：（1）L2损失与Softmax损失相比，不如Softmax稳定，同时最优化过程也更困难；（2）L2损失更要求每个输入都要输出一个确切的正确值；而Softmax对于每个评分的准确值要求并不严格；（3）L2损失鲁棒性能比Softmax要差，因为异常值可以导致很大的梯度。（4）L2非常脆弱，在神经网络中使用随机失活（尤其是在L2损失层的上一层）。
正则化
正则化主要是为了防止数据的过拟合，对于过拟合，下图1的说明比较清楚:
对于房价与房子大小之间的关系，左边给出的是线性关系，相比于中间的二次曲线，关系拟合性上稍显不足，为欠拟合；右边的四次曲线很好的过了每格样本点，但是应用到其他的数据上的能力（泛化能力）有些差，右图所示即为过拟合。
对于防止神经网络出现过拟合现象，课中给出了四种方法，分别为：L2正则化，L1正则化，最大范数约束和随机失活方法。
L2正则化：
在代价函数后面加上一个L2正则化项：
其中，C0代表原始的代价函数，后面那一项就是L2正则化项，λ就是正则项系数，也代表正则化强度，用来权衡正则项与C0项的比重。系数1/2主要是为了后面求导的结果方便，后面那一项求导会产生一个2，与1/2相乘刚好为1。
L2正则化可以理解为对于大数值的权重向量进行严厉惩罚，使得权重向量更加分散。由于输入和权重的乘法操作，一个优良的特性是：使网络倾向于使用所有的输入特征，而不是严重依赖于输入特征的一小部分特征。在梯度下降和参数更新时，L2正则化使得所有权重都以w -= lambda * w 线性下降，往0靠拢。
L1正则化：
在代价函数后面加上一个L1正则化项，即所有权重的绝对值的和，乘以λ/n
L1正则化中的参数和L2正则化类似，另外L1正则化会让权重向量在最优化的过程中变得稀疏（即非常接近于0）。使用L1正则化的神经元最后使用的是它们最重要的输入数据的稀疏子集，同时噪音输入几乎不变。
和L1正则化相比，L2正则化中的权重向量大多是分散的小数字。在实践中，L2正则化一般会比L1正则化效果要好。
最大范数约束：
给每个神经元的权重向量设定上限，并使用投影梯度下降确保这一约束。在实践中，与之对应的是参数更新方式不变，然后要求神经元中的权重向量
必须满足=
，一般C值为3或者4。这可以使得当学习率设置过高的时候，不会出现数值“爆炸”。
随机失活（dropout）:
左边神经网络在训练时，随机地“删除”一些隐层单元，得到右边的网络。在测试过程中如果不使用随机失活，可看成是对数量巨大的子网络们做模型集成，以此计算出平均预测。课中给出的随机失活代码实现：
""" Vanilla Dropout: Not recommended implementation (see notes below) """
p = 0.5 # probability of keeping a unit active. higher = less dropout
def train_step(X):
""" X contains the data """
# forward pass for example 3-layer neural network
H1 = np.maximum(0, np.dot(W1, X) + b1)
U1 = np.random.rand(*H1.shape) < p # first dropout mask
H1 *= U1 # drop!
H2 = np.maximum(0, np.dot(W2, H1) + b2)
U2 = np.random.rand(*H2.shape) < p # second dropout mask
H2 *= U2 # drop!
out = np.dot(W3, H2) + b3
# backward pass: compute gradients... (not shown)
# perform parameter update... (not shown)
def predict(X):
# ensembled forward pass
H1 = np.maximum(0, np.dot(W1, X) + b1) * p # NOTE: scale the activations
H2 = np.maximum(0, np.dot(W2, H1) + b2) * p # NOTE: scale the activations
out = np.dot(W3, H2) + b3predict函数不进行随机失活，但对两个隐层的输出都乘以p，来调整数值范围。在测试时所有神经元都能看见它们的输入，需要神经元的输出与训练时的预期输出保持一致。例如，p=0.5，表示在测试时神经元将其输出减半，因为在训练时，它们的输出只有一半（另一半被随机失活了）。在测试时神经元总是激活的，需要调整 x->px 来保持同样的预期输出。
随机失活必须在测试时对激活数据按照 p 进行数值范围调整，测试性能是很关键的，所以在实际应用时更倾向使用反向随机失活（inverted dropout），即是在训练时进行数值范围调整，使前向传播在测试时保持不变。这样还可以保证，无论是否使用随机失活，预测方法的代码保持不变。课中给出的反向随机失活的代码如下：
"""
Inverted Dropout: Recommended implementation example.
We drop and scale at train time and don't do anything at test time.
"""
p = 0.5 # probability of keeping a unit active. higher = less dropout
def train_step(X):
# forward pass for example 3-layer neural network
H1 = np.maximum(0, np.dot(W1, X) + b1)
U1 = (np.random.rand(*H1.shape) < p) / p # first dropout mask. Notice /p!
H1 *= U1 # drop!
H2 = np.maximum(0, np.dot(W2, H1) + b2)
U2 = (np.random.rand(*H2.shape) < p) / p # second dropout mask. Notice /p!
H2 *= U2 # drop!
out = np.dot(W3, H2) + b3
# backward pass: compute gradients... (not shown)
# perform parameter update... (not shown)
def predict(X):
# ensembled forward pass
H1 = np.maximum(0, np.dot(W1, X) + b1) # no scaling necessary
H2 = np.maximum(0, np.dot(W2, H1) + b2)
out = np.dot(W3, H2) + b3注意区别随机失活，一个是在测试阶段，一个是在训练阶段。
在实际应用中，常使用交叉验证获得一个全局使用的L2正则化强度；或是使用L2正则化的同时在所有层后面使用随机失活，p值一般默认设为0.5。
参考：
http://cs231n.github.io/neural-networks-2/
https://zhuanlan.zhihu.com/p/21560667?refer=intelligentunit
http://blog.csdn.net/u012162613/article/details/44261657
https://www.cnblogs.com/jianxinzhou/p/4083921.html