过拟合解决方法之L2正则化和Dropout

什么是过拟合？

    一幅图胜千言万语

欠拟合

正确的拟合

过拟合

    过拟合(overfitting)：就是对数据的过度严格的拟合。这个经常出现在分类问题上。

怎么解决过拟合呢？

L2正则化

逻辑回归 中L2正则化的过程：

L2正则化是最常用的正则化。

我们先求出代价方程J(w,b)为：

代价方程

L2正则化，就是在代价方程后面加个lambda/(2m)参数W范数的平方,下标2表示L2正则化的意思，2是为了接下来的求导好化简而写的，就是个比值而已：

L2正则化

其中||w||^2是：

||w||^2

但是为啥参数W都用上了，为啥不+bias b：

因为，b也是一个参数，而且是一个数，而W是很多个参数，感觉少了b也没啥所以一般不写上b。

这里的lambda是超级参数，跟学习率一样，需要我们自己调。

神经网络 L2回归的过程：

    神经网络其实就是有大于等于1个隐藏层，也就是比逻辑回归多了参数而已：

代价函数

其中||W||为：

    注：L-1=上一层的大小，L是当前层的大小

该||W||矩阵范式被称为Frobenius norm 即弗罗贝尼乌斯范数，表示为(||W||_F)^2:

2->F

这个矩阵L2范式，也叫弗罗贝尼乌斯范数。

求导：

没有L2正则化以后，导数是这样的，[from backprop: 从反馈传播求得的]:

而现在有了L2正则以后，就变成了：

其中可以看出和上面的原本的W^[L]比，缩小成了下面的倍数（其中alpha>1）：

这个W的缩小变化使得L2正则化被称为“权重衰退”。

有L2正则化就有L1正则化，但是为啥不用呢？

    L1正则化的||W||为:

L1正则化||W||

    L1的正则化的||W||会使得W最终变得稀疏，也就是有很多0出现，有助于压缩参数和减小内存，但这也不是我们用L1正则化的目的，不是为了压缩模型。(这个斜体加粗的话我还没弄懂为啥会出现很多0，知道的小伙伴分享下)

Dropout

    Dropout有很多，其中Inverted Dropout 反向随机失活最常用。根据这个翻译的意思，也能大概猜出来Inverted Dropout的意思，也就是从后面随机使一些当前层的神经单元失效。

上图说话：

没Dropout前的网络为：

开始Dropout操作：

    注释：红叉的单元是被去除的，也就是该单元权重置为0。

这个dropout操作是从每一层开始的，首先需要设置一个值，keep_prob，就是保留多少，范围0-1。这个例子很明显是0.5。然后在从后往前经过每一层，都把当前层随机流线keep_prob的比例，其他的单元的权重置为零。

代码模拟实现为：

作者：zenRRan
链接：https://www.jianshu.com/p/c1a334b1a9a6