详解tensorflow之过拟合问题实战

1. 什么是过拟合?

在机器学习中,经常会出现过拟合的问题。过拟合指的是模型在训练数据上表现得很好,但是在测试数据上表现却很差,即模型完美地反映了训练数据的特点,但是失去了对未知数据的泛化能力。过拟合的原因一般是模型的复杂度过高,过于拟合了训练数据的细节和噪音。

2. 如何检测过拟合?

有很多方法可以检测过拟合,其中比较常见的是通过训练集和验证集的损失函数值来进行比较。如果模型在训练集上表现很好,而在验证集上表现差,则说明存在过拟合。

2.1 绘制训练集和验证集的学习曲线

通过绘制模型在训练集和验证集上的学习曲线,可以直观地看出是否存在过拟合。如果训练集的损失函数值一直在下降,而验证集的损失函数值却开始上升,则说明存在过拟合。

import matplotlib.pyplot as plt

# 绘制学习曲线

train_losses = [...] # 训练集损失函数值列表

val_losses = [...] # 验证集损失函数值列表

plt.plot(train_losses, label='Training loss')

plt.plot(val_losses, label='Validation loss')

plt.legend()

plt.show()

2.2 绘制模型的误差分布图

可以绘制模型在训练集和验证集上的误差分布图,以观察是否存在明显的差异。如果模型在训练集上的误差比在验证集上低很多,就说明可能存在过拟合。

import matplotlib.pyplot as plt

# 绘制误差分布图

train_errors = [...] # 训练集误差列表

val_errors = [...] # 验证集误差列表

plt.hist(train_errors, label='Training errors')

plt.hist(val_errors, label='Validation errors')

plt.legend()

plt.show()

3. 如何避免过拟合?

避免过拟合的方法有很多,其中包括数据增强、正则化、早期停止训练等等。

3.1 数据增强

数据增强是指通过一些变换,如旋转、翻转、缩放、平移等,来增加训练数据的多样性,从而提高模型的泛化能力。

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(

rotation_range=20, # 随机旋转角度

rescale=1./255, # 归一化

shear_range=0.1, # 随机剪切

zoom_range=0.1, # 随机缩放

horizontal_flip=True) # 随机水平翻转

train_generator = train_datagen.flow_from_directory(

'train/', # 训练集路径

target_size=(224, 224),

batch_size=32)

val_datagen = ImageDataGenerator(rescale=1./255)

val_generator = val_datagen.flow_from_directory(

'val/', # 验证集路径

target_size=(224, 224),

batch_size=32)

model.fit_generator(

train_generator,

steps_per_epoch=100,

epochs=50,

validation_data=val_generator,

validation_steps=10)

3.2 正则化

正则化是指通过添加一个惩罚项来限制模型的复杂度,从而避免过拟合。

3.2.1 L1正则化

L1正则化是指将模型的权重向量中每一个元素的绝对值加起来作为正则化项,即:

$$\sum_{i=1}^n |w_i|$$

from keras.regularizers import l1

model.add(Conv2D(32, (3, 3), activation='relu', kernel_regularizer=l1(0.01)))

model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(64, (3, 3), activation='relu', kernel_regularizer=l1(0.01)))

model.add(MaxPooling2D((2, 2)))

model.add(Flatten())

model.add(Dense(64, activation='relu', kernel_regularizer=l1(0.01)))

model.add(Dense(10, activation='softmax'))

3.2.2 L2正则化

L2正则化是指将模型的权重向量中每一个元素的平方加起来作为正则化项,即:

$$\sum_{i=1}^n w_i^2$$

from keras.regularizers import l2

model.add(Conv2D(32, (3, 3), activation='relu', kernel_regularizer=l2(0.01)))

model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(64, (3, 3), activation='relu', kernel_regularizer=l2(0.01)))

model.add(MaxPooling2D((2, 2)))

model.add(Flatten())

model.add(Dense(64, activation='relu', kernel_regularizer=l2(0.01)))

model.add(Dense(10, activation='softmax'))

3.3 早期停止训练

早期停止训练是指在模型在验证集上的损失函数值开始上升之前停止训练,从而避免过拟合。

from keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(monitor='val_loss', patience=5)

model.fit(x_train, y_train, validation_data=(x_val, y_val), callbacks=[early_stopping])

4. 实战中的过拟合问题

在使用tensorflow实现模型时,也经常会遇到过拟合的问题。以下是一个使用tensorflow实现的简单示例。

import tensorflow as tf

import numpy as np

np.random.seed(1)

tf.random.set_seed(1)

# 构建模型

model = tf.keras.Sequential([

tf.keras.layers.Input(shape=(10,), name='input'),

tf.keras.layers.Dense(32, activation='relu'),

tf.keras.layers.Dense(32, activation='relu'),

tf.keras.layers.Dense(32, activation='relu'),

tf.keras.layers.Dense(32, activation='relu'),

tf.keras.layers.Dense(1, activation='sigmoid'),

], name='model')

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 生成数据

X_train = np.random.rand(1000, 10)

y_train = np.random.randint(0, 2, size=(1000, 1))

X_val = np.random.rand(100, 10)

y_val = np.random.randint(0, 2, size=(100, 1))

# 训练模型

history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=50, verbose=0)

我们可以通过绘制训练集和验证集的损失函数值曲线来观察是否存在过拟合。

import matplotlib.pyplot as plt

train_loss = history.history['loss']

val_loss = history.history['val_loss']

plt.plot(train_loss, label='Training loss')

plt.plot(val_loss, label='Validation loss')

plt.legend()

plt.show()

从上图中可以看出,训练集和验证集的损失函数值在一段时间后开始出现明显差异,这说明存在过拟合的问题。我们可以尝试使用数据增强、正则化、早期停止训练等方法来避免过拟合。

4.1 数据增强

我们可以使用keras中的数据增强方法来增加训练数据的多样性,从而提高模型的泛化能力。

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(

rotation_range=20,

rescale=1./255,

shear_range=0.1,

zoom_range=0.1,

horizontal_flip=True)

train_generator = datagen.flow(

x=X_train,

y=y_train,

batch_size=32)

history = model.fit_generator(

generator=train_generator,

validation_data=(X_val, y_val),

epochs=50,

verbose=0)

我们可以再次绘制训练集和验证集的损失函数值曲线,来观察是否存在过拟合。

train_loss = history.history['loss']

val_loss = history.history['val_loss']

plt.plot(train_loss, label='Training loss')

plt.plot(val_loss, label='Validation loss')

plt.legend()

plt.show()

从上图中可以看出,经过数据增强之后,模型的泛化能力得以提高,训练集和验证集的损失函数值会更加接近,过拟合的现象得到了缓解。

4.2 L2正则化

我们可以使用keras中的L2正则化方法来限制模型的复杂度,从而避免过拟合。在定义层时,我们可以使用kernel_regularizer参数来指定L2正则化的强度。

from keras.regularizers import l2

model = tf.keras.Sequential([

tf.keras.layers.Input(shape=(10,), name='input'),

tf.keras.layers.Dense(32, activation='relu', kernel_regularizer=l2(0.01)),

tf.keras.layers.Dense(32, activation='relu', kernel_regularizer=l2(0.01)),

tf.keras.layers.Dense(32, activation='relu', kernel_regularizer=l2(0.01)),

tf.keras.layers.Dense(32, activation='relu', kernel_regularizer=l2(0.01)),

tf.keras.layers.Dense(1, activation='sigmoid', kernel_regularizer=l2(0.01)),

], name='model')

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=50, verbose=0)

我们可以再次绘制训练集和验证集的损失函数值曲线,来观察是否存在过拟合。

train_loss = history.history['loss']

val_loss = history.history['val_loss']

plt.plot(train_loss, label='Training loss')

plt.plot(val_loss, label='Validation loss')

plt.legend()

plt.show()

从上图中可以看出,使用L2正则化后,模型的复杂度得到了限制,过拟合的现象得到了缓解。

4.3 早期停止训练

我们可以使用keras中的EarlyStopping回调函数,在模型在验证集上的损失函数值开始上升之前停止训练,从而避免过拟合。

from keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(monitor='val_loss', patience=5)

history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=50, verbose=0, callbacks=[early_stopping])

我们可以再次绘制训练集和验证集的损失函数值曲线,来观察是否存在过拟合。

train_loss = history.history['loss']

val_loss = history.history['val_loss']

plt.plot(train_loss, label='Training loss')

plt.plot(val_loss, label='Validation loss')

plt.legend()

plt.show()

从上图中可以看出,通过早期停止训练,我们成功地避免了过拟合的现象。

免责声明:本文来自互联网,本站所有信息(包括但不限于文字、视频、音频、数据及图表),不保证该信息的准确性、真实性、完整性、有效性、及时性、原创性等,版权归属于原作者,如无意侵犯媒体或个人知识产权,请来电或致函告之,本站将在第一时间处理。猿码集站发布此文目的在于促进信息交流,此文观点与本站立场无关,不承担任何责任。

后端开发标签