机器学习&深度学习训练中防止过拟合的方法

防止过拟合的一些方法

L1 loss

• 在loss function中添加模型权重参数的绝对值和，用超参数$\alpha$调节L1 loss在整体loss function中占的比例。
  $${L_{new}} = {L_{old}} + \alpha \sum {\left| w \right|}$$

L2 loss

• 在loss function中添加模型权重参数的平方和，用超参数$\beta$调节L2 loss在整体loss function中占的比例。
  $${L_{new}} = {L_{old}} + \beta \sum {{{\left\| w \right\|}^2}}$$

early stopping

• 当验证集的误差不再下降时，停止训练，防止过拟合。

数据增强

• 使用一些数据增强的方法(resize，crop，warp….)，增加数据量，增加模型训练结果的泛化能力

dropout

• 在神经网络训练中，随机抑制特定网络层的一些神经元，相当于引入随机性，这可以增加系统的鲁棒性。

集成方法

• 在机器学习中常用，将不同的模型进行融合，bagging，boosting等方法。

batch normalization

• 这个操作主要是为了使所有数据的分布都是$N(0,1)$分布的，减少了Internal convariate shift，可以加快训练过程；但是这种方法会导致网络学到的特征被破坏，因此在BN中，又通过学习的方法引入两个参数，对归一化的数据进行变换，得到最终的输出。具体的公式变换如下

$$\begin{array}{l} {\mu _B} = \frac{1}{m}\sum\limits_{i = 1}^m {{x_i}} \\ \sigma _B^2 = \frac{1}{m}\sum\limits_{i = 1}^m {({x_i} - } {\mu _B}{)^2}\\ {{\hat x}_i} = \frac{{{x_i} - {\mu _B}}}{{\sqrt {\sigma _B^2 + \varepsilon } }}\\ {y_i} = \gamma {{\hat x}_i} + \beta = B{N_{\gamma ,\beta }}({x_i}) \end{array}$$

参考链接

• https://blog.csdn.net/taoyanqi8932/article/details/71101699
• https://blog.csdn.net/hjimce/article/details/50866313