本文介紹了5種在訓(xùn)練神經(jīng)網(wǎng)絡(luò)中避免過擬合的技術(shù)。

最近一年我一直致力于深度學(xué)習(xí)領(lǐng)域。這段時間里，我使用過很多神經(jīng)網(wǎng)絡(luò)，比如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器等等。我遇到的最常見的一個問題就是在訓(xùn)練時，深度神經(jīng)網(wǎng)絡(luò)會過擬合。

當(dāng)模型試著預(yù)測噪聲較多的數(shù)據(jù)的趨勢時，由于模型參數(shù)過多、過于復(fù)雜，就會導(dǎo)致過擬合。過擬合的模型通常是不精確的，因為這樣的預(yù)測趨勢并不會反映數(shù)據(jù)的真實情況。我們可以通過模型在已知的數(shù)據(jù)（訓(xùn)練集）中有好的預(yù)測結(jié)果，但在未知的數(shù)據(jù)（測試集）中較差的表現(xiàn)來判斷是否存在過擬合。機器學(xué)習(xí)模型的目的是從訓(xùn)練集到該問題領(lǐng)域的任何數(shù)據(jù)集上均有泛化的較好表現(xiàn)，因為我們希望模型能夠預(yù)測未知的數(shù)據(jù)。

在本文中，我將展示5種在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時避免過擬合的技術(shù)。

一、簡化模型

處理過擬合的第一步就是降低模型復(fù)雜度。為了降低復(fù)雜度，我們可以簡單地移除層或者減少神經(jīng)元的數(shù)量使得網(wǎng)絡(luò)規(guī)模變小。與此同時，計算神經(jīng)網(wǎng)絡(luò)中不同層的輸入和輸出維度也十分重要。雖然移除層的數(shù)量或神經(jīng)網(wǎng)絡(luò)的規(guī)模并無通用的規(guī)定，但如果你的神經(jīng)網(wǎng)絡(luò)發(fā)生了過擬合，就嘗試縮小它的規(guī)模。

二、早停

在使用迭代的方法（例如梯度下降）來訓(xùn)練模型時，早停是一種正則化的形式。因為所有的神經(jīng)網(wǎng)絡(luò)都是通過梯度下降的方法來學(xué)習(xí)的，所以早停是一種適用于所有問題的通用技術(shù)。使用這種方法來更新模型以便其在每次迭代時能更好地適應(yīng)訓(xùn)練集。在一定程度上，這種方法可以改善模型在測試集上的表現(xiàn)。但是除此之外，改善模型對訓(xùn)練集的擬合會增加泛化誤差。早停規(guī)則指定了模型在過擬合之前可以迭代的次數(shù)。

早停

上圖展示了這種技術(shù)。正如我們看到的，在幾次迭代后，即使訓(xùn)練誤差仍然在減少，但測驗誤差已經(jīng)開始增加了。

三、使用數(shù)據(jù)增強

在神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)增強只意味著增加數(shù)據(jù)規(guī)模，也就是增加數(shù)據(jù)集里中圖像的數(shù)量。一些熱門的圖像增強技術(shù)有翻轉(zhuǎn)、平移、旋轉(zhuǎn)、縮放、改變亮度、添加噪聲等等。獲取更全面的參考，可訪問：

Albumentations：

https://github.com/albumentaTIons-team/albumentaTIons

Imgaug：

https://github.com/aleju/imgaug

數(shù)據(jù)增強

如上圖所示，使用數(shù)據(jù)增強可以生成多幅相似圖像。這可以幫助我們增加數(shù)據(jù)集規(guī)模從而減少過擬合。因為隨著數(shù)據(jù)量的增加，模型無法過擬合所有樣本，因此不得不進(jìn)行泛化。

四、使用正則化

正則化是一種降低模型復(fù)雜度的方式。它是通過在損失函數(shù)中添加一個懲罰項來實現(xiàn)正則化。最常見的技術(shù)是L1和L2正則化：

L1懲罰項的目的是使權(quán)重絕對值最小化。公式如下：

L1正則化

L2懲罰項的目的是使權(quán)重的平方最小化。公式如下：

L2正則化

以下表格對兩種正則化方法進(jìn)行了對比。

L1正則化

L2正則化

1. L1懲罰權(quán)重絕對值的總和

1. L2懲罰權(quán)重平方和的總和

2. L1生成簡單、可解釋的模型

2. L2正則化能夠?qū)W習(xí)復(fù)雜數(shù)據(jù)模式

3. L1受極端值影響較小

3. L2受極端值影響較大

L1正則化vs L2正則化

那么哪一種方式更有利于避免過擬合呢？答案是——看情況。如果數(shù)據(jù)過于復(fù)雜以至于無法準(zhǔn)確地建模，那么L2是更好的選擇，因為它能夠?qū)W習(xí)數(shù)據(jù)中呈現(xiàn)的內(nèi)在模式。而當(dāng)數(shù)據(jù)足夠簡單，可以精確建模的話，L1更合適。對于我遇到的大多數(shù)計算機視覺問題，L2正則化幾乎總是可以給出更好的結(jié)果。然而L1不容易受到離群值的影響。所以正確的正則化選項取決于我們想要解決的問題。

五、使用丟棄法（Dropouts）

丟棄法是一種避免神經(jīng)網(wǎng)絡(luò)過擬合的正則化技術(shù)。像L1和L2這樣的正則化技術(shù)通過修改代價函數(shù)來減少過擬合。而丟棄法修改神經(jīng)網(wǎng)絡(luò)本身。它在訓(xùn)練的每一次迭代過程中隨機地丟棄神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元。當(dāng)我們丟棄不同神經(jīng)元集合的時候，就等同于訓(xùn)練不同的神經(jīng)網(wǎng)絡(luò)。不同的神經(jīng)網(wǎng)絡(luò)會以不同的方式發(fā)生過擬合，所以丟棄的凈效應(yīng)將會減少過擬合的發(fā)生。

使用丟棄法

如上圖所示，丟棄法被用于在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中隨機丟棄神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元。這種技術(shù)被證明可以減少很多問題的過擬合，這些問題包括圖像分類、圖像切割、詞嵌入、語義匹配等問題。

結(jié)論

簡單回顧下上述內(nèi)容，我解釋了什么是過擬合以及為什么它是神經(jīng)網(wǎng)絡(luò)當(dāng)中常見的問題。接下來我又給出了五種最常見的在訓(xùn)練神經(jīng)網(wǎng)絡(luò)過程中避免過擬合的方法——簡化模型、早停、數(shù)據(jù)增強、正則化以及丟棄法。