同学你好！本文章于2021年末编写，获得广泛的好评！
故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，
Pytorch深度学习·理论篇(2023版)目录地址为：
CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录
本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！
https://v9999.blog.csdn.net/article/details/127587345
欢迎大家订阅(2023版)理论篇
以下为2021版原文~~~~
1 过拟合问题的描述
1.1 过拟合问题概述
深度额学习训练过程中，在训练阶段得到了较好的准确率，但在识别非数据集数据时存在精度下降的问题，这种现象称为过拟合现象。
主要原因：由于模型的拟合度过高，导致模型不仅学习样本的群体规律，也学习样本的个体规律。
1.2 过拟合问题模型的设计
1.2.1 构建数据集---Over_fitting.py（第1部分）
import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary # 1 构建数据集 np.random.seed(0) # 设置随机数种子 X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据 arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引 # 显示数据 plt.title("train moons data") plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2') plt.legend() plt.show()
1.2.2 搭建网络模型---Over_fitting.py（第2部分）
# 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。
1.2.3 训练模型，并将训练过程可视化---Over_fitting.py（第3部分）
# 3 训练模型+训练过程loss可视化 xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量 yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量 epochs = 1000 # 定义迭代次数 losses = [] # 损失值列表 for i in range(epochs): loss = model.getloss(xt,yt) losses.append(loss.item()) # 保存损失值中间状态 optimizer.zero_grad() # 清空梯度 loss.backward() # 反向传播损失值 optimizer.step() # 更新参数 avgloss = moving_average(losses) # 获得损失值的移动平均值 plt.figure(1) plt.subplot(211) plt.xlabel('step number') plt.ylabel('Training loss') plt.title('step number vs Training loss') plt.show()
1.2.4 将模型结果可视化，观察过拟合现象---Over_fitting.py（第4部分）
# 4 模型结果可视化，观察过拟合现象 plot_decision_boundary(lambda x: predict(model,x),X,Y) from sklearn.metrics import accuracy_score print("训练时的准确率",accuracy_score(model.predict(xt),yt)) # 重新生成两组半圆数据 Xtest,Ytest = sklearn.datasets.make_moons(80,noise=0.2) plot_decision_boundary(lambda x: predict(model,x),Xtest,Ytest) Xtest_t = torch.from_numpy(Xtest).type(torch.FloatTensor) # 将numpy数据转化为张量 Ytest_t = torch.from_numpy(Ytest).type(torch.LongTensor) print("测试时准确率",accuracy_score(model.predict(Xtest_t),Ytest_t))
1.2.5 模型代码总览---Over_fitting.py（总结）
#####Over_fitting.py import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary # 1 构建数据集 np.random.seed(0) # 设置随机数种子 X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据 arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引 # 显示数据 plt.title("train moons data") plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2') plt.legend() plt.show() # 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。 # 3 训练模型+训练过程loss可视化 xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量 yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量 epochs = 1000 # 定义迭代次数 losses = [] # 损失值列表 for i in range(epochs): loss = model.getloss(xt,yt) losses.append(loss.item()) # 保存损失值中间状态 optimizer.zero_grad() # 清空梯度 loss.backward() # 反向传播损失值 optimizer.step() # 更新参数 avgloss = moving_average(losses) # 获得损失值的移动平均值 plt.figure(1) plt.subplot(211) plt.xlabel('step number') plt.ylabel('Training loss') plt.title('step number vs Training loss') plt.show() # 4 模型结果可视化，观察过拟合现象 plot_decision_boundary(lambda x: predict(model,x),X,Y) from sklearn.metrics import accuracy_score print("训练时的准确率",accuracy_score(model.predict(xt),yt)) # 重新生成两组半圆数据 Xtest,Ytest = sklearn.datasets.make_moons(80,noise=0.2) plot_decision_boundary(lambda x: predict(model,x),Xtest,Ytest) Xtest_t = torch.from_numpy(Xtest).type(torch.FloatTensor) # 将numpy数据转化为张量 Ytest_t = torch.from_numpy(Ytest).type(torch.LongTensor) print("测试时准确率",accuracy_score(model.predict(Xtest_t),Ytest_t))
LogicNet_fun.py
### LogicNet_fun.py import torch.nn as nn #引入torch网络模型库 import torch import numpy as np import matplotlib.pyplot as plt # 1.2 定义网络模型 class LogicNet(nn.Module): #继承nn.Module类，构建网络模型 def __init__(self,inputdim,hiddendim,outputdim): #初始化网络结构 ===》即初始化接口部分 super(LogicNet,self).__init__() self.Linear1 = nn.Linear(inputdim,hiddendim) #定义全连接层 self.Linear2 = nn.Linear(hiddendim,outputdim) #定义全连接层 self.criterion = nn.CrossEntropyLoss() #定义交叉熵函数 def forward(self,x):# 搭建用两个全连接层组成的网络模型 ===》 即正向接口部分：将网络层模型结构按照正向传播的顺序搭建 x = self.Linear1(x)# 将输入传入第一个全连接层 x = torch.tanh(x)# 将第一个全连接层的结果进行非线性变化 x = self.Linear2(x)# 将网络数据传入第二个全连接层 return x def predict(self,x):# 实现LogicNet类的预测窗口 ===》 即预测接口部分：利用搭建好的正向接口，得到模型预测结果 #调用自身网络模型，并对结果进行softmax()处理，分别的出预测数据属于每一个类的概率 pred = torch.softmax(self.forward(x),dim=1)# 将正向结果进行softmax()，分别的出预测结果属于每一个类的概率 return torch.argmax(pred,dim=1)# 返回每组预测概率中最大的索引 def getloss(self,x,y):# 实现LogicNet类的损失值接口 ===》 即损失值计算接口部分：计算模型的预测结果与真实值之间的误差，在反向传播时使用 y_pred = self.forward(x) loss = self.criterion(y_pred,y)# 计算损失值的交叉熵 return loss # 1.5 训练可视化 def moving_average(a,w=10): #计算移动平均损失值 if len(a) < w: return a[:] return [val if idx < w else sum(a[(idx - w):idx]) / w for idx, val in enumerate(a)] def moving_average_to_simp(a,w=10): # if len(a) < w: return a[:] val_list = [] for idx, val in enumerate(a): if idx < w:# 如果列表 a 的下标小于 w, 直接将元素添加进 xxx 列表 val_list.append(val) else:# 向前取 10 个元素计算平均值, 添加到 xxx 列表 val_list.append(sum(a[(idx - w):idx]) / w) def plot_losses(losses): avgloss = moving_average(losses)#获得损失值的移动平均值 plt.figure(1) plt.subplot(211) plt.plot(range(len(avgloss)),avgloss,'b--') plt.xlabel('step number') plt.ylabel('Training loss') plt.title('step number vs Training loss') plt.show() # 1.7 数据可视化模型 def predict(model,x): #封装支持Numpy的预测接口 x = torch.from_numpy(x).type(torch.FloatTensor) model = LogicNet(inputdim=2, hiddendim=3, outputdim=2) ans = model.predict(x) return ans.numpy() def plot_decision_boundary(pred_func,X,Y): #在直角模型中实现预测结果的可视化 #计算范围 x_min ,x_max = X[:,0].min()-0.5 , X[:,0].max()+0.5 y_min ,y_max = X[:,1].min()-0.5 , X[:,1].max()+0.5 h=0.01 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) #根据数据输入进行预测 Z = pred_func(np.c_[xx.ravel(),yy.ravel()]) Z = Z.reshape(xx.shape) #将数据的预测结果进行可视化 plt.contourf(xx,yy,Z,cmap=plt.cm.Spectral) plt.title("Linear predict") arg = np.squeeze(np.argwhere(Y==0),axis=1) arg2 = np.squeeze(np.argwhere(Y==1),axis=1) plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o') plt.show()
2 改善过拟合现象的方法
2.1 过拟合现象产生的原因
因为神经网络在训练过程中，只看到有限的信息，在数据量不足的情况下，无法合理地区分哪些属于个体特征，哪些属于群体特征。而在真实场景下，所有的样本特征都是多样的，很难在训练数据集中将所有的样本情况全部包括。
2.2 有效改善过拟合现象的方法
2.2.1 early stopping
在发生过拟合之前提前结束训l练。这个方法在理论上是可行的，但是这个结束的时间点不好把握。
2.2.2 数据集扩增(data augmentation)
让模型见到更多的情况，可以最大化满足全样本，但实际应用中，对于未来事件的颈测却显得力不丛心。
2.2.3 正则化
通过范数的概念，增强模型的泛化能力，包括L1正则化、L2正则化(L2正则化也称为weight decay).
2.2.4 dropout
每次训练时舍去一些节点来增强泛化能力
3 正则化
在神经网络计算损失值的过程中，在损失后面再加一项。这样损失值所代表的输出与标准结果间的误差就会受到干扰，导致学习参数w和b无法按照目标方向来调整。实现模型无法与样本完全拟合的结果，达到防止过拟合的效果。
3.1 正则化效果描述
不加正则化训练出来的模型：
加了正则的模型表现
可以看到训练出来的模型太复杂，会影响使用，容易过拟合。
3.2 正则化的分类与公式
3.2.1 干扰项的特性
当欠拟合（模型的拟合能力不足）时，希望它对模型误差影响尽量小，让模型快速来拟合实际。
当过拟合（模型的拟合能力过强）时，希望它对模型误差影响尽量大，让模型不要产生过拟合的情况。
3.2.2 范数
L1：所有学习参数w的绝对值的和
L2：所有学习参数w的平方和，然后求平方根
3.2.3 正则化的损失函数-L1
3.2.4 正则化的损失函数-L2
3.3 L2正则化的实现
3.3.1 正则化实现
使用weight_decay参数指定权重衰减率，相当于L2正则化中的正则化系数，用来调整正则化对loss的影响。
weight_decay参数默认对模型中的所有参数进行L2正则化处理，包括权重w和偏置b。
3.3.2 优化器参数的方式实现正则化:字典的方式实现
optimizer =torch.optim.Adam([{'params':weight_p,'weight_decay':0.001}, {'params':bias_p,'weight_decay':0}], lr=0.01)
字典中的param以指的是模型中的权重。将具体的权重张量放入优化器再为参数weight_decay赋值，指定权重值哀减率，便可以实现为指定参数进行正则化处理。
如何获得权重张量weight_p与bias_p？
# 主要通过实例化后的模型对象得到 weight_p , bias_p =[],[] for name , p in model.named_parameters(): if 'bias' in name: bias_p += [p] else: weight_p += [p]
3.4 使用L2正则化改善模型的过拟合状况
3.4.1 修改Over_fitting.py 中的优化器部分
import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary # 1 构建数据集 np.random.seed(0) # 设置随机数种子 X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据 arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引 # 显示数据 plt.title("train moons data") plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2') plt.legend() plt.show() # 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 #optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。 # 修改为： #添加正则化处理 weight_p , bias_p =[],[] for name , p in model.named_parameters(): # 获取模型中的所有参数及参数名字 if 'bias' in name: bias_p += [p] # 收集偏置参数 else: weight_p += [p] # 收集权重 optimizer =torch.optim.Adam([{'params':weight_p,'weight_decay':0.001}, {'params':bias_p,'weight_decay':0}], lr=0.01) # 带有正则化处理的优化器
3.4.2 regularization01.py 总览
import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary # 1 构建数据集 np.random.seed(0) # 设置随机数种子 X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据 arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引 # 显示数据 plt.title("train moons data") plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2') plt.legend() plt.show() # 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 #optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。 # 修改为： #添加正则化处理 weight_p , bias_p =[],[] for name , p in model.named_parameters(): # 获取模型中的所有参数及参数名字 if 'bias' in name: bias_p += [p] # 收集偏置参数 else: weight_p += [p] # 收集权重 optimizer =torch.optim.Adam([{'params':weight_p,'weight_decay':0.001}, {'params':bias_p,'weight_decay':0}], lr=0.01) # 带有正则化处理的优化器 # 3 训练模型+训练过程loss可视化 xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量 yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量 epochs = 1000 # 定义迭代次数 losses = [] # 损失值列表 for i in range(epochs): loss = model.getloss(xt,yt) losses.append(loss.item()) # 保存损失值中间状态 optimizer.zero_grad() # 清空梯度 loss.backward() # 反向传播损失值 optimizer.step() # 更新参数 avgloss = moving_average(losses) # 获得损失值的移动平均值 plt.figure(1) plt.subplot(211) plt.xlabel('step number') plt.ylabel('Training loss') plt.title('step number vs Training loss') plt.show() # 4 模型结果可视化，观察过拟合现象 plot_decision_boundary(lambda x: predict(model,x),X,Y) from sklearn.metrics import accuracy_score print("训练时的准确率",accuracy_score(model.predict(xt),yt)) # 重新生成两组半圆数据 Xtest,Ytest = sklearn.datasets.make_moons(80,noise=0.2) plot_decision_boundary(lambda x: predict(model,x),Xtest,Ytest) Xtest_t = torch.from_numpy(Xtest).type(torch.FloatTensor) # 将numpy数据转化为张量 Ytest_t = torch.from_numpy(Ytest).type(torch.LongTensor) print("测试时准确率",accuracy_score(model.predict(Xtest_t),Ytest_t))
4 数据集扩增(data augmentation)
4.1 数据集增广
增加数据集
4.2 通过增大数据集的方式改善过拟合的状况
4.2.1 修改Over_fitting.py 中的优化器部分
# 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。 # 3 训练模型+训练过程loss可视化 # xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量 # yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量 # epochs = 1000 # 定义迭代次数 # losses = [] # 损失值列表 # for i in range(epochs): # loss = model.getloss(xt,yt) # losses.append(loss.item()) # 保存损失值中间状态 # optimizer.zero_grad() # 清空梯度 # loss.backward() # 反向传播损失值 # optimizer.step() # 更新参数 # avgloss = moving_average(losses) # 获得损失值的移动平均值 # 修改为 epochs = 1000 # 定义迭代次数 losses = [] # 损失值列表 for i in range(epochs): X ,Y = sklearn.datasets.make_moons(40,noise=0.2) xt = torch.from_numpy(X).type(torch.FloatTensor) yt = torch.from_numpy(Y).type(torch.LongTensor) loss = model.getloss(xt,yt) losses.append(loss.item()) optimizer.zero_grad() loss.backward() optimizer.step()
4.2.2 Data_increase.py
import sklearn.datasets import torch import numpy as np import matplotlib.pyplot as plt from LogicNet_fun import LogicNet,moving_average,predict,plot_decision_boundary # 1 构建数据集 np.random.seed(0) # 设置随机数种子 X , Y =sklearn.datasets.make_moons(40,noise=0.2) # 生成两组半圆形数据 arg = np.squeeze(np.argwhere(Y==0),axis=1) # 获取第1组数据索引 arg2 = np.squeeze(np.argwhere(Y==1),axis=1) # 获取第2组数据索引 # 显示数据 plt.title("train moons data") plt.scatter(X[arg,0],X[arg,1],s=100,c='b',marker='+',label = 'data1') plt.scatter(X[arg2,0],X[arg2,1],s=40,c='r',marker='o',label = 'data2') plt.legend() plt.show() # 2 搭建网络模型 model = LogicNet(inputdim=2,hiddendim=500,outputdim=2) # 实例化模型，增加拟合能力将hiddendim赋值为500 optimizer = torch.optim.Adam(model.parameters(),lr=0.01) # 定义优化器:反向传播过程中使用。 # 3 训练模型+训练过程loss可视化 # xt = torch.from_numpy(X).type(torch.FloatTensor) # 将numpy数据转化为张量 # yt = torch.from_numpy(Y).type(torch.LongTensor) # 将numpy数据转化为张量 # epochs = 1000 # 定义迭代次数 # losses = [] # 损失值列表 # for i in range(epochs): # loss = model.getloss(xt,yt) # losses.append(loss.item()) # 保存损失值中间状态 # optimizer.zero_grad() # 清空梯度 # loss.backward() # 反向传播损失值 # optimizer.step() # 更新参数 # avgloss = moving_average(losses) # 获得损失值的移动平均值 # 修改为 epochs = 1000 # 定义迭代次数 losses = [] # 损失值列表 for i in range(epochs): X ,Y = sklearn.datasets.make_moons(40,noise=0.2) xt = torch.from_numpy(X).type(torch.FloatTensor) yt = torch.from_numpy(Y).type(torch.LongTensor) loss = model.getloss(xt,yt) losses.append(loss.item()) optimizer.zero_grad() loss.backward() optimizer.step() plt.figure(1) plt.subplot(211) plt.xlabel('step number') plt.ylabel('Training loss') plt.title('step number vs Training loss') plt.show() # 4 模型结果可视化，观察过拟合现象 plot_decision_boundary(lambda x: predict(model,x),X,Y) from sklearn.metrics import accuracy_score print("训练时的准确率",accuracy_score(model.predict(xt),yt)) # 重新生成两组半圆数据 Xtest,Ytest = sklearn.datasets.make_moons(80,noise=0.2) plot_decision_boundary(lambda x: predict(model,x),Xtest,Ytest) Xtest_t = torch.from_numpy(Xtest).type(torch.FloatTensor) # 将numpy数据转化为张量 Ytest_t = torch.from_numpy(Ytest).type(torch.LongTensor) print("测试时准确率",accuracy_score(model.predict(Xtest_t),Ytest_t))
