干货|深度学习中的正则化技术概述（附Python+keras实现代码）

转自：磐创AI

介绍

数据科学研究者们最常遇见的问题之一就是怎样避免过拟合。你也许在训练模型的时候也遇到过同样的问题--在训练数据上表现非同一般的好，却在测试集上表现很一般。或者是你曾在公开排行榜上名列前茅，却在最终的榜单排名中下降数百个名次这种情况。那这篇文章会很适合你。

避免过拟合可以提高我们模型的性能。

在本文中，我们将解释过拟合的概念以及正则化如何帮助克服过拟合问题。随后，我们将介绍几种不同的正则化技术，并且最后实战一个Python实例以进一步巩固这些概念。

什么是正则化？
正则化如何帮助减少过拟合？
深度学习中的不同正则化技术
- L2和L1正则化
- Dropout
- 数据增强(Data Augmentation)
- 早停(Early stopping)
使用Keras处理MNIST数据案例研究

一．什么是正则化？

深入探讨这个话题之前，请看一下这张图片：

不知道你之前有么有看到过这张图片？当我们训练模型时，我们的模型甚至会试图学到训练数据中的噪声，最终导致在测试集上表现很差。

换句话说就是在模型学习过程中，虽然模型的复杂性增加、训练错误减少，但测试错误却一点也没有减少。这在下图中显示。

来源：Slideplayer

如果你有构建过神经网络的经验，你就知道它们是有多复杂。这使得更容易过拟合。

正则化是一种对学习算法进行微调来增加模型鲁棒性的一种技术。这同时也意味着会改善了模型在未知的数据上的表现。

二．正则化如何帮助减少过拟合？

让我们来分析一个在训练中过拟合的神经网络模型，如下图所示。

如果你了解过机器学习中正则化的概念，那你肯定了解正则项惩罚系数。在深度学习中，它实际上会惩罚节点的权重矩阵。

如果我们的正则项系数很高以至于一些权重矩阵几乎等于零。

这将导致出现一个极其简单的线性网络结构和略微训练数据不足。

较大数值的正则项系数显然并不是那么有用。我们需要优化正则项系数的值。以便获得一个良好拟合的模型，如下图所示。

三．深度学习中的不同正则化技术

现在我们已经理解正则化如何帮助减少过拟合，为了将正则化应用于深度学习，我们将学习一些不同的技巧。

1. L2和L1正则化

L1和L2是最常见的正则化手段。通过添加正则项来更新代价函数。

代价函数=损失（比如二元交叉熵）正则项

由于添加了正则项，使得加权矩阵的值减小--得益于它假定具有更小权重矩阵的神经网络产生更简单的模型，故它也会在一定程度上减少过拟合。

这个正则项在L1和L2中是不同的。

在L2中，我们有：

这里的lambda是正则项惩罚数。它是一个超参数。它的值可以被优化以获得更好的结果。L2正则化也称为权重衰减（weight decay），因为它使权重趋向零衰减（但不完全为零）。

在L1中，我们有：

这里是惩罚权重的绝对值。与L2不同，这里的权重可以减少到零。因此，当我们试图压缩我们的模型时，它非常有用。其他的情况下，我们通常更喜欢L2。

在keras，我们可以对每一层进行正则化。

以下是将L2正则化应用于全连接层的示例代码。

注意：这里0.01是正则项系数的值，即lambda，其仍须进一步优化。我们可以使用网格搜索方法（grid-search）对其进行优化。

同样，我们也可以使用L1正则化。在本文后面的案例研究中，我们将更详细地研究这一点。

2. Dropout

Dropout是最有趣正则化手段之一。它同样会产生较好的结果，也是深度学习领域中最常用的正则化技术。

为了理解dropout，我们假设我们的神经网络结构类似于下面显示的那样：

那么dropout是怎么工作的呢？在每次迭代中，它随机选择一些节点，并将它们连同它们的所有传入和传出连接一起删除，如下图所示。

所以每次迭代都有一组不同的节点，这导致了一组不同的输出。它也可以被认为是机器学习中的集成技术（ensemble technique）。

集成模型通常比单一模型表现得更好，因为它们捕获更多的随机表达。类似地，dropout也比正常的神经网络模型表现得更好。

选择丢弃节点的比率是dropout函数中的超参数。如上图所示，dropout可以应用于隐藏层以及输入层。

来源：chatbotslife

由于这些原因，当运用较大的神经网络结构时若想增加随机性，通常首选dropout。

在keras中，我们可以使用keras常用层（core layers）实现dropout。如下：

正如你所看到的，令丢弃率为0.25。也可以使用网格搜索方法进一步调优。

3. 数据增强(Data Augmentation)

减少过拟合的最简单方法是增加训练数据的大小。在机器学习中，我们无法增加训练数据的大小，因为标记的数据成本太高。

但是，现在让我们考虑我们正在处理图像。在这种情况下，可以通过几种方法来增加训练数据的大小-旋转图像，翻转，缩放，移位等。下图是在手写数字数据集上进行的一些变换。

这种技术被称为数据增强。这通常会较大的提高模型的准确性。为了改进模型得的泛化能力，它可以被视为暴力技巧。

在keras中，我们可以使用ImageDataGenerator执行所有这些转换。它有一大堆你可以用来预处理训练数据的参数列表。

以下是实现它的示例代码。

4. 早停（Early stopping）

早停是基于交叉验证策略--将一部分训练集作为验证集。一旦发现验证集的性能越来越差时，我们就立即停止对该模型的训练。这个过程被称为早停（Early stopping）。

在上图中，我们将在虚线出停止训练，因为在此之后，我们的模型将在训练集上过拟合。

在keras中，我们可以使用回调函数（callback）实现早停。以下是它的示例代码。

在这里，monitor表示需要监视的数量， val_err 表示验证错误。

Patience表示当early stopping被激活（如发现loss相比上一个epoch训练没有下降），则经过 patience 个epoch后停止训练。为了更好地理解，让我们再看看上面的图片。在虚线之后每经历一个epoch都会导致更高的验证集错误率。因此，虚线后5个epoch（因为我们的patience等于5）后我们的模型将停止训练--由于不再进一步的提升。

注意：在5个epochs（这是为patience一般定义的值）之后，模型可能会再次开始改善，并且验证错误也开始减少。因此，我们需要在调整超参数时多加小心。

四．使用Keras处理MNIST数据集案例研究(A case study on MINIST data with keras)

到这里，你应该对不同的正则化技术有了一定的理论基础。我们现在将这些技术手段应用于我们的深度学习实践问题--手写体数字识别中（https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/）。下载了数据集后，就可以开始下面的实践之旅了。首先，导入一些基本库。