2.8.4 加入正则化项，避免模型过拟合
2.8.4.1 过拟合现象
对于样本量有限、但需要使用强大模型的复杂任务，模型很容易出现过拟合的表现，即在训练集上的损失小，在验证集或测试集上的损失较大，如 图2 所示。
图2：过拟合现象，训练误差不断降低，但测试误差先降后增
反之，如果模型在训练集和测试集上均损失较大，则称为欠拟合。过拟合表示模型过于敏感，学习到了训练数据中的一些误差，而这些误差并不是真实的泛化规律（可推广到测试集上的规律）。欠拟合表示模型还不够强大，还没有很好的拟合已知的训练样本，更别提测试样本了。因为欠拟合情况容易观察和解决，只要训练loss不够好，就不断使用更强大的模型即可，因此实际中我们更需要处理好过拟合的问题。
2.8.4.2 导致过拟合原因
造成过拟合的原因是模型过于敏感，而训练数据量太少或其中的噪音太多。如图3 所示，理想的回归模型是一条坡度较缓的抛物线，欠拟合的模型只拟合出一条直线，显然没有捕捉到真实的规律，但过拟合的模型拟合出存在很多拐点的抛物线，显然是过于敏感，也没有正确表达真实规律。
图3：回归模型的过拟合，理想和欠拟合状态的表现
如图4 所示，理想的分类模型是一条半圆形的曲线，欠拟合用直线作为分类边界，显然没有捕捉到真实的边界，但过拟合的模型拟合出很扭曲的分类边界，虽然对所有的训练数据正确分类，但对一些较为个例的样本所做出的妥协，高概率不是真实的规律。
图4：分类模型的欠拟合，理想和过拟合状态的表现
2.8.4.3 过拟合的成因与防控
为了更好的理解过拟合的成因，可以参考侦探定位罪犯的案例逻辑，如 图5 所示。
图5：侦探定位罪犯与模型假设示意
对于这个案例，假设侦探也会犯错，通过分析发现可能的原因：
（1）情况1：罪犯证据存在错误，依据错误的证据寻找罪犯肯定是缘木求鱼。
（2）情况2：搜索范围太大的同时证据太少，导致符合条件的候选（嫌疑人）太多，无法准确定位罪犯。
那么侦探解决这个问题的方法有两种：或者缩小搜索范围（比如假设该案件只能是熟人作案），或者寻找更多的证据。归结到深度学习中，假设模型也会犯错，通过分析发现可能的原因：
（1） 情况1：训练数据存在噪音，导致模型学到了噪音，而不是真实规律。
（2）情况2：使用强大模型（表示空间大）的同时训练数据太少，导致在训练数据上表现良好的候选假设太多，锁定了一个“虚假正确”的假设。
对于情况1，我们使用数据清洗和修正来解决。 对于情况2，我们或者限制模型表示能力，或者收集更多的训练数据。而清洗训练数据中的错误，或收集更多的训练数据往往是一句“正确的废话”，在任何时候我们都想获得更多更高质量的数据。在实际项目中，更快、更低成本可控制过拟合的方法，只有限制模型的表示能力。
（1）正则化项
为了防止模型过拟合，在没有扩充样本量的可能下，只能降低模型的复杂度，可以通过限制参数的数量或可能取值（参数值尽量小）实现。具体来说，在模型的优化目标（损失）中人为加入对参数规模的惩罚项。
当参数越多或取值越大时，该惩罚项就越大。通过调整惩罚项的权重系数，可以使模型在“尽量减少训练损失”和“保持模型的泛化能力”之间取得平衡。泛化能力表示模型在没有见过的样本上依然有效。通过调整正则化项的权重，可以灵活设置模型参数量和训练集上的损失，从而限制模型能力，避免过拟合。
飞桨支持为所有参数加上统一的正则化项，也支持为特定的参数添加正则化项。前者的实现如下代码所示，仅在优化器中设置weight_decay参数即可实现。使用参数coeff调节正则化项的权重，权重越大时，对模型复杂度的惩罚越高。
In [ ]
deftrain(model): model.train() #各种优化算法均可以加入正则化项，避免过拟合，参数regularization_coeff调节正则化项的权重 opt = paddle.optimizer.Adam(learning_rate=0.01, weight_decay=paddle.regularizer.L2Decay(coeff=1e-5), parameters=model.parameters()) EPOCH_NUM = 5for epoch_id inrange(EPOCH_NUM): for batch_id, data inenumerate(train_loader()): #准备数据，变得更加简洁 images, labels = data images = paddle.to_tensor(images) labels = paddle.to_tensor(labels) #前向计算的过程，同时拿到模型输出值和分类准确率 predicts, acc = model(images, labels) #计算损失，取一个批次样本损失的平均值 loss = F.cross_entropy(predicts, labels) avg_loss = paddle.mean(loss) #每训练了100批次的数据，打印下当前Loss的情况if batch_id % 200 == 0: print("epoch: {}, batch: {}, loss is: {}, acc is {}".format(epoch_id, batch_id, avg_loss.numpy(), acc.numpy())) #后向传播，更新参数的过程 avg_loss.backward() opt.step() opt.clear_grad() #保存模型参数 paddle.save(model.state_dict(), 'mnist_regul.pdparams') model = MNIST() train(model)
epoch: 0, batch: 0, loss is: [3.8228705], acc is [0.09375]
epoch: 0, batch: 200, loss is: [0.07062767], acc is [0.953125]
epoch: 0, batch: 400, loss is: [0.20030954], acc is [0.953125]
epoch: 0, batch: 600, loss is: [0.09374876], acc is [0.96875]
epoch: 0, batch: 800, loss is: [0.11705722], acc is [0.96875]....
epoch: 4, batch: 0, loss is: [0.06753349], acc is [0.96875]
epoch: 4, batch: 200, loss is: [0.12629655], acc is [0.953125]
epoch: 4, batch: 400, loss is: [0.03575302], acc is [0.984375]
epoch: 4, batch: 600, loss is: [0.07168289], acc is [0.953125]
epoch: 4, batch: 800, loss is: [0.00869386], acc is [1.]
In [ ]
defevaluation(model):print('start evaluation .......') # 定义预测过程 params_file_path = 'mnist_regul.pdparams'# 加载模型参数 param_dict = paddle.load(params_file_path) model.load_dict(param_dict) model.eval() eval_loader = test_loader acc_set = [] avg_loss_set = [] for batch_id, data inenumerate(eval_loader()): images, labels = data images = paddle.to_tensor(images) labels = paddle.to_tensor(labels) predicts, acc = model(images, labels) loss = F.cross_entropy(input=predicts, label=labels) avg_loss = paddle.mean(loss) acc_set.append(float(acc.numpy())) avg_loss_set.append(float(avg_loss.numpy())) #计算多个batch的平均损失和准确率 acc_val_mean = np.array(acc_set).mean() avg_loss_val_mean = np.array(avg_loss_set).mean() print('loss={}, acc={}'.format(avg_loss_val_mean, acc_val_mean)) model = MNIST() evaluation(model)
start evaluation .......
loss=0.07935721310694216, acc=0.9776074840764332
（2）暂退法Dropout
除了在优化目标中加入正则化项之外，神经网络模型也通常使用暂退法来改善过拟合问题。
暂退法指在训练神经网络过程中随机丢掉一部分神经元来减少神经网络复杂度，它实现方法很简单：在每次迭代训练中，以一定概率随机屏蔽每一层中若干神经元，用余下神经元所构成网络来继续训练。
图6是暂退法示意图，左边是完整的神经网络，右边是应用了暂退法之后的网络结构。应用暂退法之后，会将标了×的神经元从网络中删除，让它们不向后面的层传递信号。在学习过程中，丢弃哪些神经元是随机决定，因此模型不会过度依赖某些神经元，能一定程度上抑制过拟合。
图6：暂退法示意图
通过飞桨paddle.nn.functional.dropout API可以实现Dropout操作。其输入是一个张量，即需要丢弃数据的神经元参数。该API的axis参数用于指定对输入张量进行Dropout操作的轴。默认为None，即对输入张量x中的任意元素，以丢弃概率p随机将一些元素输出置0。若参数axis不为None，则以一定的概率从图像特征或语音序列中丢弃掉整个通道。
需要注意的是，在测试时，应用整个训练好的模型，不需要Dropout。所以存在训练和测试不一致的问题。通过paddle.nn.functional.dropout API的mode参数可以选择丢弃单元的方式，有两种upscale_in_train和downscale_in_infer，默认是upscale_in_train。计算方法如下:
- upscale_in_train, 在训练时增大输出结果。
- train: out = input * mask / ( 1.0 - p )
- inference: out = input
- downscale_in_infer, 在预测时减小输出结果
- train: out = input * mask
- inference: out = input * (1.0 - p)
示例：
假定x是形状为2*3的2维张量: [[1 2 3] [4 5 6]] 在对x做dropout时，程序会先生成一个和x相同形状的mask张量，mask中每个元素的值为0或1。 每个元素的具体值，则是依据丢弃概率从伯努利分布中随机采样得到。 比如，我们可能得到下面这样一个2*3的mask: [[0 1 0] [1 0 1]] 将输入x和生成的mask点积，就得到了随机丢弃部分元素之后的结果: [[0 2 0] [4 0 6]] 假定dropout的概率使用默认值，即 ``p=0.5`` ，若mode参数使用默认值，即 ``mode='upscale_in_train'`` ， 则在训练阶段，最终增大后的结果为: [[0 4 0 ] [8 0 12]] 在测试阶段，输出跟输入一致: [[1 2 3] [4 5 6]] 若参数mode设置为'downscale_in_infer'，则训练阶段的输出为: [[0 2 0] [4 0 6]] 在测试阶段，缩小后的输出为: [[0.5 1. 1.5] [2. 2.5 3. ]]
下面我们在MINIST模型全连接层后面加入Dropout运算，查看模型训练和评估情况。
In [ ]
import paddle.nn.functional as F # 定义模型结构classMNIST(paddle.nn.Layer):def__init__(self):super(MNIST, self).__init__() # 定义卷积层，输出特征通道out_channels设置为20，卷积核的大小kernel_size为5，卷积步长stride=1，padding=2 self.conv1 = Conv2D(in_channels=1, out_channels=20, kernel_size=5, stride=1, padding=2) # 定义池化层，池化核的大小kernel_size为2，池化步长为2 self.max_pool1 = MaxPool2D(kernel_size=2, stride=2) # 定义卷积层，输出特征通道out_channels设置为20，卷积核的大小kernel_size为5，卷积步长stride=1，padding=2 self.conv2 = Conv2D(in_channels=20, out_channels=20, kernel_size=5, stride=1, padding=2) # 定义池化层，池化核的大小kernel_size为2，池化步长为2 self.max_pool2 = MaxPool2D(kernel_size=2, stride=2) # 定义一层全连接层，输出维度是10 self.fc = Linear(in_features=980, out_features=10) #加入对每一层输入和输出的尺寸和数据内容的打印，根据check参数决策是否打印每层的参数和输出尺寸# 卷积层激活函数使用Relu，全连接层激活函数使用softmaxdefforward(self, inputs, label=None, check_shape=False, check_content=False, training=True):# 给不同层的输出不同命名，方便调试 outputs1 = self.conv1(inputs) outputs2 = F.relu(outputs1) outputs3 = self.max_pool1(outputs2) outputs4 = self.conv2(outputs3) outputs5 = F.relu(outputs4) outputs6 = self.max_pool2(outputs5) outputs6 = paddle.reshape(outputs6, [outputs6.shape[0], -1]) outputs7 = self.fc(outputs6) # 对FC层实施Dropout，指定第0维，丢弃概率为p outputs = paddle.nn.functional.dropout(outputs7,p=0.01, axis=0,training=training) # 如果label不是None，则计算分类精度并返回if label isnotNone: acc = paddle.metric.accuracy(input=F.softmax(outputs), label=label) return outputs, acc else: return outputs defevaluation(model):print('start evaluation .......') # 定义预测过程 params_file_path = 'mnist_regul.pdparams'# 加载模型参数 param_dict = paddle.load(params_file_path) model.load_dict(param_dict) model.eval() eval_loader = test_loader acc_set = [] avg_loss_set = [] for batch_id, data inenumerate(eval_loader()): images, labels = data images = paddle.to_tensor(images) labels = paddle.to_tensor(labels) predicts, acc = model(images, labels, training=False) loss = F.cross_entropy(input=predicts, label=labels) avg_loss = paddle.mean(loss) acc_set.append(float(acc.numpy())) avg_loss_set.append(float(avg_loss.numpy())) #计算多个batch的平均损失和准确率 acc_val_mean = np.array(acc_set).mean() avg_loss_val_mean = np.array(avg_loss_set).mean() print('loss={}, acc={}'.format(avg_loss_val_mean, acc_val_mean)) model = MNIST() train(model) evaluation(model)
epoch: 0, batch: 0, loss is: [4.0833225], acc is [0.0625]
epoch: 0, batch: 200, loss is: [0.07072611], acc is [1.]
epoch: 0, batch: 400, loss is: [0.13994697], acc is [0.96875]
epoch: 0, batch: 600, loss is: [0.10909003], acc is [0.953125]
epoch: 0, batch: 800, loss is: [0.1880557], acc is [0.96875]
epoch: 1, batch: 0, loss is: [0.22570458], acc is [0.9375]
epoch: 1, batch: 200, loss is: [0.2441752], acc is [0.921875]
epoch: 1, batch: 400, loss is: [0.0100032], acc is [1.]
epoch: 1, batch: 600, loss is: [0.04133706], acc is [0.984375]
epoch: 1, batch: 800, loss is: [0.09127815], acc is [0.953125]
2.8.5 可视化分析
训练模型时，经常需要观察模型的评价指标，分析模型的优化过程，以确保训练是有效的。之前的分析，我们往往使用打印Loss的方式，这比较起来并不够方便，也不够美观。将模型训练效果等数据可视化作图可选用两种工具：Matplotlib库和VisualDL。
- Matplotlib库：Matplotlib库是Python中使用的最多的2D图形绘图库，它有一套完全仿照MATLAB的函数形式的绘图接口，使用轻量级的PLT库（Matplotlib）作图是非常简单的。
- VisualDL：如果期望使用更加专业的作图工具，可以尝试VisualDL，飞桨可视化分析工具。VisualDL能够有效地展示飞桨在运行过程中的计算图、各种指标变化趋势和数据信息。
2.8.5.1 使用Matplotlib库绘制损失随训练下降的曲线图
将训练的批次编号作为X轴坐标，该批次的训练损失作为Y轴坐标。
- 训练开始前，声明两个列表变量存储对应的批次编号(iters=[])和训练损失(losses=[])。
iters=[] losses=[] for epoch_id inrange(EPOCH_NUM): """start to training"""
- 随着训练的进行，将iter和losses两个列表填满。
import paddle.nn.functional as F iters=[] losses=[] for epoch_id inrange(EPOCH_NUM): for batch_id, data inenumerate(train_loader()): images, labels = data predicts, acc = model(images, labels) loss = F.cross_entropy(predicts, label = labels.astype('int64')) avg_loss = paddle.mean(loss) # 累计迭代次数和对应的loss iters.append(batch_id + epoch_id*len(list(train_loader())) losses.append(avg_loss)
- 训练结束后，将两份数据以参数形式导入PLT的横纵坐标。
plt.xlabel("iter", fontsize=14)，plt.ylabel("loss", fontsize=14)
- 最后，调用plt.plot()函数即可完成作图。
plt.plot(iters, losses,color='red',label='train loss')
详细代码如下：
In [ ]
#引入matplotlib库import matplotlib.pyplot as plt deftrain(model): model.train() opt = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) EPOCH_NUM = 10iter=0 iters=[] losses=[] for epoch_id inrange(EPOCH_NUM): for batch_id, data inenumerate(train_loader()): #准备数据，变得更加简洁 images, labels = data images = paddle.to_tensor(images) labels = paddle.to_tensor(labels) #前向计算的过程，同时拿到模型输出值和分类准确率 predicts, acc = model(images, labels) #计算损失，取一个批次样本损失的平均值 loss = F.cross_entropy(predicts, labels) avg_loss = paddle.mean(loss) #每训练了100批次的数据，打印下当前Loss的情况if batch_id % 100 == 0: print("epoch: {}, batch: {}, loss is: {}, acc is {}".format(epoch_id, batch_id, avg_loss.numpy(), acc.numpy())) iters.append(iter) losses.append(avg_loss.numpy()) iter = iter + 100#后向传播，更新参数的过程 avg_loss.backward() opt.step() opt.clear_grad() #保存模型参数 paddle.save(model.state_dict(), 'mnist.pdparams') return iters, losses model = MNIST() iters, losses = train(model)
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
from collections import MutableMapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
from collections import Iterable, Mapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
from collections import Sized
epoch: 0, batch: 0, loss is: [3.1067178], acc is [0.125]
epoch: 0, batch: 100, loss is: [0.25948155], acc is [0.921875]
epoch: 0, batch: 200, loss is: [0.2500265], acc is [0.875]
epoch: 0, batch: 300, loss is: [0.32702205], acc is [0.890625]
epoch: 0, batch: 400, loss is: [0.08103482], acc is [0.96875]
epoch: 0, batch: 500, loss is: [0.06687161], acc is [0.96875]
epoch: 0, batch: 600, loss is: [0.18538702], acc is [0.96875]
epoch: 0, batch: 700, loss is: [0.03654159], acc is [0.984375]
epoch: 0, batch: 800, loss is: [0.08613557], acc is [0.953125]
epoch: 0, batch: 900, loss is: [0.22812071], acc is [0.953125]
epoch: 1, batch: 0, loss is: [0.07222291], acc is [0.984375]
epoch: 1, batch: 100, loss is: [0.02553116], acc is [1.]
epoch: 1, batch: 200, loss is: [0.0458651], acc is [0.984375]
epoch: 1, batch: 300, loss is: [0.04750751], acc is [0.96875]
epoch: 1, batch: 400, loss is: [0.13080978], acc is [0.9375]
epoch: 1, batch: 500, loss is: [0.05986679], acc is [0.96875]
epoch: 1, batch: 600, loss is: [0.09602988], acc is [0.96875]
epoch: 1, batch: 700, loss is: [0.02209184], acc is [0.984375]
epoch: 1, batch: 800, loss is: [0.12519023], acc is [0.953125]
epoch: 1, batch: 900, loss is: [0.0548395], acc is [0.984375]
epoch: 2, batch: 0, loss is: [0.01888405], acc is [0.984375]
epoch: 2, batch: 100, loss is: [0.01061364], acc is [1.]
#画出训练过程中Loss的变化曲线 plt.figure() plt.title("train loss", fontsize=24) plt.xlabel("iter", fontsize=14) plt.ylabel("loss", fontsize=14) plt.plot(iters, losses,color='red',label='train loss') plt.grid() plt.show()
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
if isinstance(obj, collections.Iterator):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
return list(data) if isinstance(data, collections.MappingView) else data
2.8.5.2 使用VisualDL可视化分析
VisualDL是飞桨可视化分析工具，以丰富的图表呈现训练参数变化趋势、数据样本、模型结构、PR曲线、ROC曲线、高维数据分布等。帮助用户清晰直观地理解深度学习模型训练过程及模型结构，进而实现高效的模型调优。与PLT库相比，VisualDL是更适合深度学习建模使用的可视化工具。
推荐安装方式：
In [ ]
# 安装VisualDL !python -m pip install visualdl -i https://mirror.baidu.com/pypi/simple
使用方式：
VisualDL将训练过程中的数据、参数等信息储存至日志文件中后，启动面板即可查看可视化结果。
1. 记录日志
VisualDL的后端提供了Python SDK，可通过LogWriter定制一个日志记录器，接口如下：
class LogWriter(logdir=None, max_queue=10, flush_secs=120, filename_suffix='', display_name='', file_name='', **kwargs)
In [ ]
#引入VisualDL库，并设定保存作图数据的文件位置from visualdl import LogWriter log_writer = LogWriter(logdir="./log") deftrain(model): model.train() opt = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) EPOCH_NUM = 10iter = 0for epoch_id inrange(EPOCH_NUM): for batch_id, data inenumerate(train_loader()): #准备数据，变得更加简洁 images, labels = data images = paddle.to_tensor(images) labels = paddle.to_tensor(labels) #前向计算的过程，同时拿到模型输出值和分类准确率 predicts, avg_acc = model(images, labels) #计算损失，取一个批次样本损失的平均值 loss = F.cross_entropy(predicts, labels) avg_loss = paddle.mean(loss) #每训练了100批次的数据，打印下当前Loss的情况if batch_id % 100 == 0: print("epoch: {}, batch: {}, loss is: {}, acc is {}".format(epoch_id, batch_id, avg_loss.numpy(), avg_acc.numpy())) log_writer.add_scalar(tag = 'acc', step = iter, value = avg_acc.numpy()) log_writer.add_scalar(tag = 'loss', step = iter, value = avg_loss.numpy()) iter = iter + 100#后向传播，更新参数的过程 avg_loss.backward() opt.step() opt.clear_grad() #保存模型参数 paddle.save(model.state_dict(), 'mnist.pdparams') model = MNIST() train(model)
epoch: 0, batch: 0, loss is: [3.8976812], acc is [0.125]
epoch: 0, batch: 100, loss is: [0.24494784], acc is [0.921875]
epoch: 0, batch: 200, loss is: [0.26378095], acc is [0.921875]
epoch: 0, batch: 300, loss is: [0.22967383], acc is [0.890625]
epoch: 0, batch: 400, loss is: [0.10998115], acc is [0.96875]
epoch: 0, batch: 500, loss is: [0.08789912], acc is [0.96875]
epoch: 0, batch: 600, loss is: [0.06132765], acc is [1.]
epoch: 0, batch: 700, loss is: [0.25114188], acc is [0.921875]
epoch: 0, batch: 800, loss is: [0.13402592], acc is [0.9375]
epoch: 0, batch: 900, loss is: [0.05303773], acc is [0.984375]
epoch: 1, batch: 0, loss is: [0.05307241], acc is [0.984375]
epoch: 1, batch: 100, loss is: [0.04524157], acc is [0.984375]
epoch: 1, batch: 200, loss is: [0.04033208], acc is [0.984375]
epoch: 1, batch: 300, loss is: [0.04626527], acc is [0.984375]
epoch: 1, batch: 400, loss is: [0.01260194], acc is [1.]
epoch: 1, batch: 500, loss is: [0.06764157], acc is [0.96875]
epoch: 1, batch: 600, loss is: [0.09227023], acc is [0.96875]
epoch: 1, batch: 700, loss is: [0.07254598], acc is [0.96875]
epoch: 1, batch: 800, loss is: [0.1025949], acc is [0.953125]
epoch: 1, batch: 900, loss is: [0.00322359], acc is [1.]
2. 启动面板
共有两种启动方式：
在命令行启动：使用命令行启动VisualDL面板，命令格式如下
visualdl --logdir <dir_1, dir_2, ... , dir_n> --model <model_file> --host <host> --port <port> --cache-timeout <cache_timeout> --language <language> --public-path <public_path> --api-only
In [12]
!visualdl --logdir /home/aistudio/log --port 8080
在Python脚本中启动：支持在Python脚本中启动VisualDL面板，接口如下
visualdl.server.app.run(logdir, model="path/to/model", host="127.0.0.1", port=8080, cache_timeout=20, language=None, public_path=None, api_only=False, open_browser=False)
In [ ]
import visualdl import visualdl.server.app visualdl.server.app.run('/home/aistudio/log', host="127.0.0.1", port=8080, cache_timeout=20)
3. 使用LogReader获取日志中的数据
VisualDL的后端也提供了获取日志数据的组件LogReader，可通过其获取日志中任意数据，接口如下：class LogReader(file_path='')
作业题 2-4
- 将普通神经网络模型的每层输出打印，观察内容。
- 将分类准确率的指标 用PLT库画图表示。
- 通过分类准确率，判断以采用不同损失函数训练模型的效果优劣。
- 作图比较：随着训练进行，模型在训练集和测试集上的Loss曲线。
- 调节正则化权重，观察4的作图曲线的变化，并分析原因。
