AI智能
改变未来

一小时学会TensorFlow2之大幅提高模型准确率


目录
  • 过拟合
  • Regulation
  • 公式
  • 例子
  • 动量
    • 公式
    • 例子
  • 学习率递减
    • 过程
    • 例子
  • Early Stopping
    • Dropout
      • 过拟合

        当训练集的的准确率很高, 但是测试集的准确率很差的时候就, 我们就遇到了过拟合 (Overfitting) 的问题. 如图:

        过拟合产生的一大原因是因为模型过于复杂. 下面我们将通过讲述 5 种不同的方法来解决过拟合的问题, 从而提高模型准确度.

        Regulation

        Regulation 可以帮助我们通过约束要优化的参数来防止过拟合.

        公式

        未加入 regulation 的损失:

        加入 regulation 的损失:

        λ 和 lr (learning rate) 类似. 如果 λ 的值越大, regularion 的力度也就越强, 权重的值也就越小.

        例子

        添加了 l2 regulation 的网络:

        network = tf.keras.Sequential([tf.keras.layers.Dense(256, kernel_regularizer=tf.keras.regularizers.l2(0.001), activation=tf.nn.relu),tf.keras.layers.Dense(128, kernel_regularizer=tf.keras.regularizers.l2(0.001), activation=tf.nn.relu),tf.keras.layers.Dense(64, kernel_regularizer=tf.keras.regularizers.l2(0.001), activation=tf.nn.relu),tf.keras.layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(0.001), activation=tf.nn.relu),tf.keras.layers.Dense(10)])

        动量

        动量 (Momentum) 是指运动物体的租用效果. 在梯度下降的过程中, 通过在优化器中加入动量, 我们可以减少摆动从而达到更优的效果.

        未添加动量:

        添加动量:

        公式

        未加动量的权重更新:

        • w: 权重 (weight)
        • k: 迭代的次数
        • α: 学习率 (learning rate)
        • ∇f(): 微分

        添加动量的权重更新:

        • β: 动量权重
        • z: 历史微分

        例子

        添加了动量的优化器:

        optimizer = tf.keras.optimizers.SGD(learning_rate=0.02, momentum=0.9)optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.02, momentum=0.9)

        注: Adam 优化器默认已经添加动量, 所以无需自行添加.

        学习率递减

        简单的来说, 如果学习率越大, 我们训练的速度就越大, 但找到最优解的概率也就越小. 反之, 学习率越小, 训练的速度就越慢, 但找到最优解的概率就越大.

        过程

        我们可以在训练初期把学习率调的稍大一些, 使得网络迅速收敛. 在训练后期学习率小一些, 使得我们能得到更好的收敛以获得最优解. 如图:

        例子

        learning_rate = 0.2  # 学习率optimizer = tf.keras.optimizers.SGD(learning_rate=learning_rate, momentum=0.9)  # 优化器# 迭代for epoch in range(iteration_num):optimizer.learninig_rate = learning_rate * (100 - epoch) / 100  # 学习率递减

        Early Stopping

        之前我们提到过, 当训练集的准确率仍在提升, 但是测试集的准确率反而下降的时候, 我们就遇到了过拟合 (overfitting) 的问题.

        Early Stopping 可以帮助我们在测试集的准确率下降的时候停止训练, 从而避免继续训练导致的过拟合问题.

        Dropout

        Learning less to learn better

        Dropout 会在每个训练批次中忽略掉一部分的特征, 从而减少过拟合的现象.

        dropout, 通过强迫神经元, 和随机跳出来的其他神经元共同工作, 达到好的效果. 消除减弱神经元节点间的联合适应性, 增强了泛化能力.

        例子:

        network = tf.keras.Sequential([tf.keras.layers.Dense(256, activation=tf.nn.relu),tf.keras.layers.Dropout(0.5),  # 忽略一半tf.keras.layers.Dense(128, activation=tf.nn.relu),tf.keras.layers.Dropout(0.5),  # 忽略一半tf.keras.layers.Dense(64, activation=tf.nn.relu),tf.keras.layers.Dropout(0.5),  # 忽略一半tf.keras.layers.Dense(32, activation=tf.nn.relu),tf.keras.layers.Dense(10)])

        到此这篇关于一小时学会TensorFlow2之大幅提高模型准确率的文章就介绍到这了,更多相关TensorFlow2模型准确率内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

        您可能感兴趣的文章:

        • TensorFlow2.0使用keras训练模型的实现
        • 入门tensorflow教程之TensorBoard可视化模型训练
        • TensorFlow2.X使用图片制作简单的数据集训练模型
        • 如何将tensorflow训练好的模型移植到Android (MNIST手写数字识别)
        赞(0) 打赏
        未经允许不得转载:爱站程序员基地 » 一小时学会TensorFlow2之大幅提高模型准确率