机器（深度）学习中的 Dropout

在这篇文章中，我将主要讨论神经网络中 dropout 的概念，特别是深度网络，然后进行实验，通过在标准数据集上实施深度网络并查看 dropout 的影响，看看它在实践中实际影响如何。

1. Dropout是什么？

术语“dropout”是指在神经网络中丢弃单元（包括隐藏的和可见的）。

简单来说，dropout 是指随机选择的某组神经元在训练阶段忽略单元（即神经元）。 “忽略”是指在特定的前向或后向传递过程中不考虑这些单元。

详细的就是，在每个训练阶段，单个节点要么以 1-p 的概率退出网络，要么以 p 的概率保留，这样就剩下一个缩小的网络；也删除了到丢弃节点的传入和传出边。

2. 为什么需要Dropout？

鉴于我们对 dropout 有所了解，一个问题出现了——为什么我们需要 dropout？为什么我们需要关闭神经网络的某些部分？

这些问题的答案是“防止过拟合”。

全连接层占据了大部分参数，因此，神经元在训练过程中相互依赖，这抑制了每个神经元的个体能力，导致训练数据过拟合。

3. 重新审视 Dropout

现在我们对 dropout 和动机有了一些了解，让我们来详细了解一下。如果你只是想了解神经网络中的 dropout，那么以上两节就足够了。在本节中，我将涉及更多技术细节。

在机器学习中，正则化是防止过度拟合的方法。正则化通过向损失函数添加惩罚来减少过度拟合。通过添加这个惩罚，模型被训练成不学习相互依赖的特征权重集。了解逻辑回归的人可能熟悉 L1（拉普拉斯）和 L2（高斯）惩罚。

Dropout 是一种神经网络正则化方法，有助于减少神经元之间的相互依赖学习。

4. 训练阶段

训练阶段：对于每个隐藏层，对于每个训练样本，对于每次迭代，忽略（清零）节点（和相应的激活）的随机分数 p。

5. 测试阶段

使用所有激活，但将它们减少一个因子 p（以解决训练期间丢失的激活）。

6. 作用

1. Dropout 迫使神经网络学习更强大的特征，这些特征与其他神经元的许多不同随机子集结合使用时很有用。
2. Dropout 使收敛所需的迭代次数加倍。然而，每个时期的训练时间较少。
3. 有 H 个隐藏单元，每个隐藏单元都可以被丢弃，我们有2^H 个可能的模型。在测试阶段，考虑整个网络，每次激活都减少一个因子 p。

7. 实际效果

让我们在实践中试试这个理论。为了了解 dropout 的工作原理，我在 Keras 中构建了一个深层网络，并尝试在 CIFAR-10 数据集上对其进行验证。构建的深度网络具有三个大小为 64、128 和 256 的卷积层，然后是两个大小为 512 的密集连接层和一个大小为 10 的输出层密集层（CIFAR-10 数据集中的类数）。

我将 ReLU 作为隐藏层的激活函数，将 sigmoid 作为输出层的激活函数（这些是标准，并没有在改变这些方面做太多实验）。另外，我使用了标准的分类交叉熵损失。

最后，我在所有层中使用了 dropout，并将 dropout 的比例从 0.0（根本没有 dropout）增加到 0.9，步长为 0.1，并将每个层运行到 20 个 epoch。结果如下所示：

从上图中我们可以得出结论，随着 dropout 的增加，在趋势开始下降之前，验证准确率有所提高，损失最初有所下降。

如果 dropout fraction 为 0.2，趋势下降可能有两个原因：

1. 0.2 是此数据集、网络和使用的设置参数的实际最小值
2. 需要更多的时期来训练网络。

本文由mdnice多平台发布