Pytorch学习笔记4

Pytorch学习笔记4

过拟合与欠拟合

交叉验证减少overfitting

把训练集划分为K份，每次取1/k 作为验证集

减轻overfitting

正则化方法：在损失函数中加入一范数，使得参数尽量小，减少模型复杂度，使得曲线更加平滑，使得高维特征参数比较小，使其在保持性能时退化成更低复杂的网络，避免overfitting
Regularization也被称为weight-decay



Pytorch使用：
optimizer=optim.SGD(net.parameters(),lr=learning_rate,weight_dacay=0.01)

SGDM的pytorch实现

optimizer=torch.optim.SGD(model.parameters(),args.lr,momentum=args.momentum,weight_decay		 
	=args.weight_decay
1
2

optimizer=torch.optim.SGD(model.parameters(),args.lr,momentum=args.momentum,weight_decay		 
	=args.weight_decay
scheduler=ReduceLROnPlateau(optimizer,'min')
for epoch in x range(args.start_epoch,args.epochs):
	train(train_loader,model,criterion,optimizer,epoch)
	result_avg,loss_val)=validate(val_loader,model,criterion,epoch)
	scheduler.step(loss_val)
1
2
3
4
5
6
7

Early stopping 的pytorch实现

Dropout

net_dropped=torch.nn.Sequential(
	torch.nn.LInear(784,200),
	torch.nn.Dropout(0.5)
	torch.nn.ReLU(),
)
1
2
3
4
5

test时，所有连接都会使用，所以validation时需要加入

net_dropped.eval()

Stochastic Gradient Descent

与之不同，SGD只取一个batch的梯度。也就是说SGD把以前在所有数据集上的梯度改成了在一个batch上的梯度。


原因：速度更快



如果用线性层处理图片，数据过多。

Receptive Field and Weight sharing

一个卷积核代表一个观察角度（边缘信息，模糊信息，脸部信息）


输入通道与卷积核的通道一一对应，比如输入3通道图像，就要用3通道卷积核进行处理，一个通道处理一个通道的图像，但是3通道卷积核也是一个卷积核，最后得到的数值是三个通道数值的累加。
也就是说，三通道图片用三通道单卷积核处理，得到单通道图像。
如果有多卷积核的话，有多少卷积核得到多少通道的图像

池化层

out=F.interpolate(x,scale_factor=2,mode=‘nearest’)

Batch nomalization

Feature scaling

BatchNorm1d

β，γ根据梯度信息自动更新