前言

现在的深度学习与传统的机器学习相比，最显著的特点就是一个“深”字，如今深度学习的网络层数就算有个成百上千层也并不奇怪。然而过于强大的神经网络会导致一个问题，那就是过拟合，神经网络可以精确地预测出提供的数据集的结果，可一旦传入从未见过的数据，则准确率低的离谱。

过拟合的一个明显的特征就是训练时，损失值（loss）极低，精度极高接近100%，并且训练集的精度与验证集的精度有着不小差距，那么该如何解决过拟合这一难题呢？

从数据集入手

最直接也是代价最高的办法就是增加数据集的数量，但数据集获取困难，不仅要去寻找图片，还要分类打标签，仅靠个人的努力，耗尽一天的时间也增加不了多少数据。

但可以增强数据，通过旋转、裁剪、添加噪声点……理论上可以获取无限多的数据，虽效果较差，但也是可以尝试的。TensorFlow和PyTorch可以参考我下面这篇博客

【TensorFlow&PyTorch】图像数据增强API_折途的博客-CSDN博客在进行深度学习训练时，遇到训练效果较差、训练集数量小、有过拟合趋向时可以选择加大数据集数量来优化训练模型，但是大多数情况下，增加数据集数量所花费的时间精力是巨大的，所以我们更常用的方法是对现有的数据集进行数据增强。不如实实在在增加数据集数量，但是还是有一定的效果的，性价比高。（只要加几行代码）TensorFlow的API在image下（我用的2.0版本，不同的版本可能API不同，但是基本都可以在iamge下找到）Modulehttps以下列举几个本人认为常用的方法....https://blog.csdn.net/m0_63235356/article/details/125972651?spm=1001.2014.3001.5501另外，小数据集（一共就几千张图片的）可以适当加大测试集在整个数据集的占比，一般数据集，6:1来分配训练集和测试集即可，小数据集可以将比例调至4:1。

从网络层入手

可以在网络层内加入规范化函数，以TensorFlow为例：

layer=tensorflow.keras.layers.Conv2D(filters,kernel_size,strides,padding="same",kernel_regularizer=tensorflow.keras.regularizers.l2(0.001)

 其中filters为输出维度

kernel_size为卷积核大小

strides为步长(步距)

padding为填充模式,"same"表示填充后输出大小和输入保持一致

kernel_regularizer可以指定权值,使网络层正则化以缓解过拟合.

还可以在全连接层中添加Dropout层,即随机断开全连接层的部分连接点:

#tensorflow为例:
dropout_layer=tensorflow.keras.layers.Dropout(0.5)
 
#PyTorch为例:
dropout_layer=troch.nn.Dropout(0.5)

也可以在卷积层后加入规范化层:

#TensorFlow为例:
batchnorm_layer=tensorflow.keras.layers.VatchNormalization()
 
#PyTorch为例:
batchnorm_layer=troch.nn.BatchNorm2d()

更多网络层可以查看我下面这篇博客

【TensorFlow&PyTorch】深度学习常用神经网络层学习笔记_折途的博客-CSDN博客_tensorflow常用层TensorFlow:Module: tf.nn | TensorFlow Core v2.9.1PyTorch:torch.nn — PyTorch 1.12 documentationPyTorch:torch.nn - PyTorch中文文档以上为文档链接，TensorFlow的很详细了，PyTorch的建议两个合着看。以下仅选取本人觉得常用的接口以及参数（即不全，想看详细内容的自行通过链接查看文档）卷积输出的宽=((输入的宽-卷积核宽+2*填充的层数)/步距)+1.输出的宽高都同理,池化层输出大https://blog.csdn.net/m0_63235356/article/details/125689871?spm=1001.2014.3001.5501

从训练入手:

可以在过拟合之前就将训练停止并保存,将网络参数保持在相对优秀的水平.以TensorFlow为例:

from tensorflow.keras.callbacks import EarlyStopping
 
early=EarlyStopping(monitor='val_accuracy'
                    min_delta=0.001
                    patience=5)
 
model.fit(train_data,epochs=100,callbacks=[early])

其中monitor为评估标准

min_delta为最小变化量

patience为训练轮数

例子中的意思为若连续5轮训练,精度的提升没有达到0.001,则停止训练.

 

定义完'early'(名字可以随便起)后,在模型(model)训练(fit)中加入即可.