《深度学习之图像识别核心技术与案例实战》—2.2.5 正则化方法

2.2.5  正则化方法

　　在深度学习模型中，模型参数量巨大导致容易产生过拟合。理想情况下模型的设计不仅要在训练数据上表现好，并且希望能在新输入的数据上能有较好的泛化效果，因此需要引入正则化策略。

　　正则化是深度学习中非常重要并且能有效减少泛化误差的技术，它以增大训练误差为代价来减少测试误差。如果在训练误差上很小，可能出现过拟合的情况，一个能够最小化泛化误差的模型都需要一定程度的正则化。

　　研究者提出了很多有效的方法防止过拟合，比较常用的方法包括以下几种，下面具体介绍。

　　1．参数惩罚

　　通过对模型参数添加惩罚参数来限制模型能力，常用的就是在损失函数基础上添加范数约束：

　　 （2.28）

　　通常情况下，深度学习中只对权重参数ω添加约束，对偏置项不加约束，主要原因是偏置项一般需要较少的数据就能精确地拟合，如果添加约束，常常会导致欠拟合。

　　L2范数惩罚是常用的方法，即我们熟知的权重衰减：

　　 （2.29）

　　通过最优化技术，如梯度相关方法可以很快推导出参数优化公式：

　　 （2.30）

　　其中，?为学习率，相对于普通梯度优化公式，相当于对参数乘一个缩减因子。

　　L1范数惩罚也是常用的方法：

　　 （2.31）

　　通过梯度方法进行求解时，参数梯度为：

　　 （2.32）

　　L1约束相对于L2约束能够产生更加稀疏的模型，在参数w比较小的情况下会直接缩减至0，可以起到特征选择的作用，也称之为LASSO问题。如果从概率角度进行分析，范数约束相当于对参数添加先验分布，其中L2范数相当于假定参数服从高斯先验分布，L1范数相当于假定参数服从拉普拉斯分布。

　　2．Dropout与Drop Connect

　　Dropout是一类通用并且计算简洁的正则化方法，在2014年被提出后广泛使用。

　　在传统的机器学习领域，集成学习（Ensemble Methods），是非常重要的一类方法，它包括Boosting、Bagging和Stacking方法，被用于降低模型的泛化误差，通过合并多个模型的结果得到更好的性能。主要的做法是分别训练几个不同的模型，然后让所有模型表决测试样例的输出。

　　Dropout则可以被认为是集成了大量深层神经网络的Bagging方法，提供了一种廉价的Bagging集成近似方法。简单地说，Dropout在训练过程中，随机地丢弃一部分输入，此时丢弃部分对应的参数不会更新。这相当于是一个集成方法，将所有子网络结果进行合并，通过随机丢弃输入可以得到各种子网络。显著降低了过拟合，同时减少训练节点提高了算法的学习速度。

　　Drop Connect可视为Dropout的一般化形式。在Drop Connect的过程中，我们将网络架构权重的一个随机选择子集设置为0，取代了在Dropout中对每个层随机选择激活函数的子集设置为0的做法。由于每个单元接收来自过去层单元的随机子集的输入，Drop Connect和Dropout都可以获得有限的泛化性能。Drop Connect和Dropout相似的地方在于涉及的模型里均引入了稀疏性，但不同之处在于Drop Connect引入的是权重的稀疏而不是层的输出向量的稀疏。

　　3．提前停止（Early Stopping）

　　在模型训练过程中经常出现随着不断迭代，训练误差不断减少的情况，但是验证误差减少后开始增长。提前停止是在验证误差不再提升后，提前结束训练，而不是一直等待验证误差到最小值。该方法不需要改变原有损失函数，简单而且执行效率高，但是需要一个额外的空间来备份一份参数。

　　确定训练迭代次数后，有两种策略可以充分利用训练数据，一是将全量训练数据一起训练一定的迭代次数；二是迭代训练流程直到训练误差小于提前停止策略的验证误差。对于二次优化目标和线性模型，提前停止策略相当于L2正则化。

　　4．训练样本扩充

　　以上的3种方法都是显式的规整化方法，而实际上防止过拟合最有效的方法是增加训练样本，这是隐式的规整化方法，训练集合越大过拟合概率越小。数据集合扩充是一个省时有效的方法，在不同领域具体方法不同。

　　在图像领域，常用的方法是将图片进行旋转、缩放等，后面会详细介绍。语音识别中则是对输入数据添加随机噪声，自然语言处理中的常用思路则是进行近义词替换。

　　本章从深度学习优化框架和深度学习模型优化中的激活函数、正则化、优化方法等方面，介绍了如何优化一个深度学习系统的基础部分，后面的章节将会针对深度学习图像处理领域的各个方面，理论结合实例进行详细讲解。