過擬合

過擬合（overfitting，過度學習，過度擬合）：

過度準確地擬合了歷史數據（精確的區分了所有的訓練數據），而對新數據適應性較差，預測時會有很大誤差。

過擬合是機器學習中常見的問題，解決方法主要有下面幾種：

1. 增加數據量

大部分過擬合產生的原因是因為數據量太少。

2. 運用正則化

例如L1、L2 regularization等等，適用於大多數的機器學習，包括神經網絡。

3. Dropout

專門用在神經網絡的正則化的方法。

Dropout regularization是指在深度學習網絡的訓練過程中，按照一定的概率將一部分神經網絡單元暫時從網絡中丟棄，相當於從原始的網絡中找到一個更瘦的網絡。

也就是說，在訓練的時候，隨機忽略掉一些神經元和神經聯結 ，使這個神經網絡變得”不完整”，然後用一個不完整的神經網絡訓練一次。
到第二次再隨機忽略另一些, 變成另一個不完整的神經網絡。
有了這些隨機drop掉的規則, 每一次預測結果都不會依賴於其中某部分特定的神經元。
Dropout的做法是從根本上讓神經網絡沒機會過度依賴。

TensorFlow中的Dropout方法

TensorFlow提供了強大的dropout方法來解決overfitting問題。

示例

 1 # coding=utf-8
 

 2 from __future__ import print_function
 3 import tensorflow as tf
 4 from sklearn.datasets import load_digits  # 使用sklearn中的數據
 5 from sklearn.model_selection import train_test_split
 6 from sklearn.preprocessing import LabelBinarizer
 7 import os
 8 
 9 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘
 
2‘
10 
11 digits = load_digits()
12 X = digits.data
13 y = digits.target
14 y = LabelBinarizer().fit_transform(y)
15 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)  # X_train是訓練數據, X_test是測試數據
16 
17 
18 def add_layer(inputs, in_size, out_size, layer_name, activation_function=None, ):
19     Weights = tf.Variable(tf.random_normal([in_size, out_size]))
20     biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, )
21     Wx_plus_b = tf.matmul(inputs, Weights) + biases
22     Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)  # dropout
23     if activation_function is None:
24         outputs = Wx_plus_b
25     else:
26         outputs = activation_function(Wx_plus_b, )
27     tf.summary.histogram(layer_name + ‘/outputs‘, outputs)
28     return outputs
29 
30 
31 keep_prob = tf.placeholder(tf.float32)  # keep_prob（保留的結果所占比例）作為placeholder在run時傳入
32 xs = tf.placeholder(tf.float32, [None, 64])
33 ys = tf.placeholder(tf.float32, [None, 10])
34 
35 l1 = add_layer(xs, 64, 50, ‘l1‘, activation_function=tf.nn.tanh)  # 隱含層
36 prediction = add_layer(l1, 50, 10, ‘l2‘, activation_function=tf.nn.softmax)  # 輸出層
37 
38 cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
39                                               reduction_indices=[1]))  # loss between prediction and real data
40 tf.summary.scalar(‘loss‘, cross_entropy)
41 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
42 
43 sess = tf.Session()
44 merged = tf.summary.merge_all()
45 train_writer = tf.summary.FileWriter("logs/train", sess.graph)
46 test_writer = tf.summary.FileWriter("logs/test", sess.graph)
47 init = tf.global_variables_initializer()
48 sess.run(init)
49 
50 for i in range(500):
51     sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})  # keep_prob=0.5相當於50%保留
52     if i % 50 == 0:
53         train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})
54         test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
55         train_writer.add_summary(train_result, i)
56         test_writer.add_summary(test_result, i)

對比運行結果

在TensorBoard中查看。

訓練中keep_prob=1時，暴露出overfitting問題，模型對訓練數據的適應性優於測試數據，存在overfitting。

keep_prob=0.5時，dropout發揮了作用，減少了過擬合。

AI - TensorFlow - 過擬合（Overfitting）