正则化提高神经网络的泛化能力

目录

使用正则化提高神经网络的泛化能力方法：

早停法

 暂退法

权重衰减

L1和L2正则化

数据增强

---

正则化不单指某一个方法，而是所有损害网络优化的方法都是正则化。

损害网络优化是为了防止过拟合。

---

使用正则化提高神经网络的泛化能力方法：

干扰优化过程：

• 早停法（Early-Stop）
• 暂退发（Dropout）
• 权重衰减
• SGD

增加约束：

• L1和L2正则化
• 数据增强

---

早停法

我们使用一个验证集( Validation Dataset)来测试每一次迭代的参数在验证集上是否最优。如果在验证集上的错误率不再下降，就停止迭代。

 

---

暂退法

当神经元足够多时容易产生协同效应，即有些神经元具有相似的行为，为解决这一问题，可以引入一个掩码函数mask，随机丢弃部分神经元，掩码函数对x进行随机掩码，对x的每一维随机乘以0或1，0和1是通过一个概率为p的伯努利分布随机生成的。

对于一个神经层 = (+)y = f(Wx+b)，引入一个丢弃函数(·)使得 = (()+)。

其中 ∈ {0,1} 是丢弃掩码（dropout mask），通过以概率为p的贝努力分布随机生成。

 

Dropout的意义：

每做一次丢弃，相当于从原始的网络中采样得到一个子网络。如果一个神经网络有n个神经元，那么总共可以采样出2n个子网络。

---

权重衰减

通过限制权重的取值范围来干扰优化过程，降低模型能力。

在每次参数更新的是时候，引入一个衰减系数。

在标准的随机梯度下降中，权重衰减正则化和l2正则化的效果相同。

在较为复杂的优化方法（比如Adam)中，权重衰减和L2正则化并不等价。

 

---

L1和L2正则化

优化问题可以写为

上式中，Lp为范数函数，p的取值通常为{1,2}代表L1和L2范数，λ为正则化系数。

 

 

---

数据增强

图像数据的增强主要是通过算法对图像进行转变，引入噪声等方法来增加数据的多样性。

图像数据的增强方法：

• 旋转（Rotation）：将图像按顺时针或逆时针方向随机旋转一定角度；
• 翻转（Flip）：将图像沿水平或垂直方法随机翻转一定角度；
• 缩放（Zoom In/Out）：将图像放大或缩小一定比例；
• 平移（Shift）：将图像沿水平或垂直方法平移一定步长；
• 加噪声（Noise）：加入随机噪声。