标签:训练 Dropout 算法 笔记 学习 正则 拟合 神经元
正则化的定义:其用于解决模型因强大的表征力而产生测试数据过拟合等现象,通过避免训练完美拟合数据来加强算法的泛化能力。因此,算法正则化的研究成为机器学习中重要的研究主题之一。
- 表征力:表达信息量。
1.数据增强
数据增强为的是提升算法性能、满足深度学习模型对大量数据需求的重要工具。
一般方法有:水平或垂直翻转图像、裁剪、色彩变换、缩放和旋转等。
2.权重衰减
加入正则化参数λ,更新权重w。λ越小正则化作用越弱,主要用来优化原本的损失函数。λ越大正则化作用越明显,权重w越趋近于0(原因是正则化作为系数λ/2n存在于损失函数中)。
3.Dropout
Dropout通过暂时丢弃一部分神经元及其连接。在每一轮的训练过程中以一定的概率丢弃神经元,被丢弃的参数不更新,减少了神经元之间的共适应。其不仅降低了过拟合,同时做到了减少训练节点提高算法学习速度。
-
权重衰减方法是通过修改损失函数的方法,而Dropout通过修改网络结构实现。
-
共适应:神经元之间的特征相互依赖,防止过拟合。
4.提前停止(早停法)
提前停止可以限制模型最小化代价函数所需的训练迭代次数。即可以提前停止训练,是机器学习最简单的正则化方法。
标签:训练,Dropout,算法,笔记,学习,正则,拟合,神经元 来源: https://blog.csdn.net/LZL2020LZL/article/details/121248658
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。