詳解tensorflow之過(guò)擬合問(wèn)題實(shí)戰(zhàn)
更新時(shí)間：2020年11月01日 16:37:18 作者：逐夢(mèng)er
這篇文章主要介紹了詳解tensorflow之過(guò)擬合問(wèn)題實(shí)戰(zhàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
過(guò)擬合問(wèn)題實(shí)戰(zhàn)
1.構(gòu)建數(shù)據(jù)集
我們使用的數(shù)據(jù)集樣本特性向量長(zhǎng)度為 2，標(biāo)簽為 0 或 1，分別代表了 2 種類別。借助于 scikit-learn 庫(kù)中提供的 make_moons 工具我們可以生成任意多數(shù)據(jù)的訓(xùn)練集。
import matplotlib.pyplot as plt # 導(dǎo)入數(shù)據(jù)集生成工具 import numpy as np import seaborn as sns from sklearn.datasets import make_moons from sklearn.model_selection import train_test_split from tensorflow.keras import layers, Sequential, regularizers from mpl_toolkits.mplot3d import Axes3D
為了演示過(guò)擬合現(xiàn)象，我們只采樣了 1000 個(gè)樣本數(shù)據(jù)，同時(shí)添加標(biāo)準(zhǔn)差為 0.25 的高斯噪聲數(shù)據(jù)：
def load_dataset(): # 采樣點(diǎn)數(shù) N_SAMPLES = 1000 # 測(cè)試數(shù)量比率 TEST_SIZE = None # 從 moon 分布中隨機(jī)采樣 1000 個(gè)點(diǎn)，并切分為訓(xùn)練集-測(cè)試集 X, y = make_moons(n_samples=N_SAMPLES, noise=0.25, random_state=100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE, random_state=42) return X, y, X_train, X_test, y_train, y_test
make_plot 函數(shù)可以方便地根據(jù)樣本的坐標(biāo) X 和樣本的標(biāo)簽 y 繪制出數(shù)據(jù)的分布圖：
def make_plot(X, y, plot_name, file_name, XX=None, YY=None, preds=None, dark=False, output_dir=OUTPUT_DIR):
# 繪制數(shù)據(jù)集的分布， X 為 2D 坐標(biāo)， y 為數(shù)據(jù)點(diǎn)的標(biāo)簽
if dark:
plt.style.use('dark_background')
else:
sns.set_style("whitegrid")
axes = plt.gca()
axes.set_xlim([-2, 3])
axes.set_ylim([-1.5, 2])
axes.set(xlabel="$x_1$", ylabel="$x_2$")
plt.title(plot_name, fontsize=20, fontproperties='SimHei')
plt.subplots_adjust(left=0.20)
plt.subplots_adjust(right=0.80)
if XX is not None and YY is not None and preds is not None:
plt.contourf(XX, YY, preds.reshape(XX.shape), 25, alpha=0.08, cmap=plt.cm.Spectral)
plt.contour(XX, YY, preds.reshape(XX.shape), levels=[.5], cmap="Greys", vmin=0, vmax=.6)
# 繪制散點(diǎn)圖，根據(jù)標(biāo)簽區(qū)分顏色m=markers
markers = ['o' if i == 1 else 's' for i in y.ravel()]
mscatter(X[:, 0], X[:, 1], c=y.ravel(), s=20, cmap=plt.cm.Spectral, edgecolors='none', m=markers, ax=axes)
# 保存矢量圖
plt.savefig(output_dir + '/' + file_name)
plt.close()
def mscatter(x, y, ax=None, m=None, **kw):
import matplotlib.markers as mmarkers
if not ax: ax = plt.gca()
sc = ax.scatter(x, y, **kw)
if (m is not None) and (len(m) == len(x)):
paths = []
for marker in m:
if isinstance(marker, mmarkers.MarkerStyle):
marker_obj = marker
else:
marker_obj = mmarkers.MarkerStyle(marker)
path = marker_obj.get_path().transformed(
marker_obj.get_transform())
paths.append(path)
sc.set_paths(paths)
return sc
X, y, X_train, X_test, y_train, y_test = load_dataset() make_plot(X,y,"haha",'月牙形狀二分類數(shù)據(jù)集分布.svg')
2.網(wǎng)絡(luò)層數(shù)的影響
為了探討不同的網(wǎng)絡(luò)深度下的過(guò)擬合程度，我們共進(jìn)行了 5 次訓(xùn)練實(shí)驗(yàn)。在𝑛 ∈ [0,4]時(shí)，構(gòu)建網(wǎng)絡(luò)層數(shù)為n + 2層的全連接層網(wǎng)絡(luò)，并通過(guò) Adam 優(yōu)化器訓(xùn)練 500 個(gè) Epoch
def network_layers_influence(X_train, y_train):
# 構(gòu)建 5 種不同層數(shù)的網(wǎng)絡(luò)
for n in range(5):
# 創(chuàng)建容器
model = Sequential()
# 創(chuàng)建第一層
model.add(layers.Dense(8, input_dim=2, activation='relu'))
# 添加 n 層，共 n+2 層
for _ in range(n):
model.add(layers.Dense(32, activation='relu'))
# 創(chuàng)建最末層
model.add(layers.Dense(1, activation='sigmoid'))
# 模型裝配與訓(xùn)練
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=N_EPOCHS, verbose=1)
# 繪制不同層數(shù)的網(wǎng)絡(luò)決策邊界曲線
# 可視化的 x 坐標(biāo)范圍為[-2, 3]
xx = np.arange(-2, 3, 0.01)
# 可視化的 y 坐標(biāo)范圍為[-1.5, 2]
yy = np.arange(-1.5, 2, 0.01)
# 生成 x-y 平面采樣網(wǎng)格點(diǎn)，方便可視化
XX, YY = np.meshgrid(xx, yy)
preds = model.predict_classes(np.c_[XX.ravel(), YY.ravel()])
print(preds)
title = "網(wǎng)絡(luò)層數(shù)：{0}".format(2 + n)
file = "網(wǎng)絡(luò)容量_%i.png" % (2 + n)
make_plot(X_train, y_train, title, file, XX, YY, preds, output_dir=OUTPUT_DIR + '/network_layers')
3.Dropout的影響
為了探討 Dropout 層對(duì)網(wǎng)絡(luò)訓(xùn)練的影響，我們共進(jìn)行了 5 次實(shí)驗(yàn)，每次實(shí)驗(yàn)使用 7 層的全連接層網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但是在全連接層中間隔插入 0~4 個(gè) Dropout 層并通過(guò) Adam優(yōu)化器訓(xùn)練 500 個(gè) Epoch
def dropout_influence(X_train, y_train):
# 構(gòu)建 5 種不同數(shù)量 Dropout 層的網(wǎng)絡(luò)
for n in range(5):
# 創(chuàng)建容器
model = Sequential()
# 創(chuàng)建第一層
model.add(layers.Dense(8, input_dim=2, activation='relu'))
counter = 0
# 網(wǎng)絡(luò)層數(shù)固定為 5
for _ in range(5):
model.add(layers.Dense(64, activation='relu'))
# 添加 n 個(gè) Dropout 層
if counter < n:
counter += 1
model.add(layers.Dropout(rate=0.5))
# 輸出層
model.add(layers.Dense(1, activation='sigmoid'))
# 模型裝配
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# 訓(xùn)練
model.fit(X_train, y_train, epochs=N_EPOCHS, verbose=1)
# 繪制不同 Dropout 層數(shù)的決策邊界曲線
# 可視化的 x 坐標(biāo)范圍為[-2, 3]
xx = np.arange(-2, 3, 0.01)
# 可視化的 y 坐標(biāo)范圍為[-1.5, 2]
yy = np.arange(-1.5, 2, 0.01)
# 生成 x-y 平面采樣網(wǎng)格點(diǎn)，方便可視化
XX, YY = np.meshgrid(xx, yy)
preds = model.predict_classes(np.c_[XX.ravel(), YY.ravel()])
title = "無(wú)Dropout層" if n == 0 else "{0}層 Dropout層".format(n)
file = "Dropout_%i.png" % n
make_plot(X_train, y_train, title, file, XX, YY, preds, output_dir=OUTPUT_DIR + '/dropout')
4.正則化的影響
為了探討正則化系數(shù)𝜆對(duì)網(wǎng)絡(luò)模型訓(xùn)練的影響，我們采用 L2 正則化方式，構(gòu)建了 5 層的神經(jīng)網(wǎng)絡(luò)，其中第 2,3,4 層神經(jīng)網(wǎng)絡(luò)層的權(quán)值張量 W 均添加 L2 正則化約束項(xiàng)：
def build_model_with_regularization(_lambda): # 創(chuàng)建帶正則化項(xiàng)的神經(jīng)網(wǎng)絡(luò) model = Sequential() model.add(layers.Dense(8, input_dim=2, activation='relu')) # 不帶正則化項(xiàng) # 2-4層均是帶 L2 正則化項(xiàng) model.add(layers.Dense(256, activation='relu', kernel_regularizer=regularizers.l2(_lambda))) model.add(layers.Dense(256, activation='relu', kernel_regularizer=regularizers.l2(_lambda))) model.add(layers.Dense(256, activation='relu', kernel_regularizer=regularizers.l2(_lambda))) # 輸出層 model.add(layers.Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 模型裝配 return model
下面我們首先來(lái)實(shí)現(xiàn)一個(gè)權(quán)重可視化的函數(shù)
def plot_weights_matrix(model, layer_index, plot_name, file_name, output_dir=OUTPUT_DIR):
# 繪制權(quán)值范圍函數(shù)
# 提取指定層的權(quán)值矩陣
weights = model.layers[layer_index].get_weights()[0]
shape = weights.shape
# 生成和權(quán)值矩陣等大小的網(wǎng)格坐標(biāo)
X = np.array(range(shape[1]))
Y = np.array(range(shape[0]))
X, Y = np.meshgrid(X, Y)
# 繪制3D圖
fig = plt.figure()
ax = fig.gca(projection='3d')
ax.xaxis.set_pane_color((1.0, 1.0, 1.0, 0.0))
ax.yaxis.set_pane_color((1.0, 1.0, 1.0, 0.0))
ax.zaxis.set_pane_color((1.0, 1.0, 1.0, 0.0))
plt.title(plot_name, fontsize=20, fontproperties='SimHei')
# 繪制權(quán)值矩陣范圍
ax.plot_surface(X, Y, weights, cmap=plt.get_cmap('rainbow'), linewidth=0)
# 設(shè)置坐標(biāo)軸名
ax.set_xlabel('網(wǎng)格x坐標(biāo)', fontsize=16, rotation=0, fontproperties='SimHei')
ax.set_ylabel('網(wǎng)格y坐標(biāo)', fontsize=16, rotation=0, fontproperties='SimHei')
ax.set_zlabel('權(quán)值', fontsize=16, rotation=90, fontproperties='SimHei')
# 保存矩陣范圍圖
plt.savefig(output_dir + "/" + file_name + ".svg")
plt.close(fig)
在保持網(wǎng)絡(luò)結(jié)構(gòu)不變的條件下，我們通過(guò)調(diào)節(jié)正則化系數(shù) 𝜆 = 0.00001,0.001,0.1,0.12,0.13 來(lái)測(cè)試網(wǎng)絡(luò)的訓(xùn)練效果，并繪制出學(xué)習(xí)模型在訓(xùn)練集上的決策邊界曲線
def regularizers_influence(X_train, y_train):
for _lambda in [1e-5, 1e-3, 1e-1, 0.12, 0.13]: # 設(shè)置不同的正則化系數(shù)
# 創(chuàng)建帶正則化項(xiàng)的模型
model = build_model_with_regularization(_lambda)
# 模型訓(xùn)練
model.fit(X_train, y_train, epochs=N_EPOCHS, verbose=1)
# 繪制權(quán)值范圍
layer_index = 2
plot_title = "正則化系數(shù)：{}".format(_lambda)
file_name = "正則化網(wǎng)絡(luò)權(quán)值_" + str(_lambda)
# 繪制網(wǎng)絡(luò)權(quán)值范圍圖
plot_weights_matrix(model, layer_index, plot_title, file_name, output_dir=OUTPUT_DIR + '/regularizers')
# 繪制不同正則化系數(shù)的決策邊界線
# 可視化的 x 坐標(biāo)范圍為[-2, 3]
xx = np.arange(-2, 3, 0.01)
# 可視化的 y 坐標(biāo)范圍為[-1.5, 2]
yy = np.arange(-1.5, 2, 0.01)
# 生成 x-y 平面采樣網(wǎng)格點(diǎn)，方便可視化
XX, YY = np.meshgrid(xx, yy)
preds = model.predict_classes(np.c_[XX.ravel(), YY.ravel()])
title = "正則化系數(shù)：{}".format(_lambda)
file = "正則化_%g.svg" % _lambda
make_plot(X_train, y_train, title, file, XX, YY, preds, output_dir=OUTPUT_DIR + '/regularizers')
regularizers_influence(X_train, y_train)
到此這篇關(guān)于詳解tensorflow之過(guò)擬合問(wèn)題實(shí)戰(zhàn)的文章就介紹到這了,更多相關(guān)tensorflow 過(guò)擬合內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
django-rest-swagger對(duì)API接口注釋的方法
今天小編就為大家分享一篇django-rest-swagger對(duì)API接口注釋的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-08-08
關(guān)于jieba.cut與jieba.lcut的區(qū)別及說(shuō)明
這篇文章主要介紹了關(guān)于jieba.cut與jieba.lcut的區(qū)別及說(shuō)明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-05-05
這篇文章主要介紹了Python中subprocess模塊的用法詳解,subprocess是Python 2.4中新增的一個(gè)模塊,它允許你生成新的進(jìn)程,連接到它們的 input/output/error 管道,并獲取它們的返回狀態(tài)碼,這個(gè)模塊的目的在于替換幾個(gè)舊的模塊和方法,需要的朋友可以參考下2023-08-08
詳解Python自動(dòng)化之文件自動(dòng)化處理
今天給大家?guī)?lái)的是關(guān)于Python的相關(guān)知識(shí),文章圍繞著Python文件自動(dòng)化處理展開(kāi),文中有非常詳細(xì)的介紹及代碼示例,需要的朋友可以參考下2021-06-06
基于SpringBoot構(gòu)造器注入循環(huán)依賴及解決方式
這篇文章主要介紹了基于SpringBoot構(gòu)造器注入循環(huán)依賴及解決方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-04-04
python數(shù)據(jù)分析數(shù)據(jù)標(biāo)準(zhǔn)化及離散化詳解
這篇文章主要為大家詳細(xì)介紹了python數(shù)據(jù)分析數(shù)據(jù)標(biāo)準(zhǔn)化及離散化，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-02-02
Python 發(fā)送SMTP郵件的簡(jiǎn)單教程
SMTP（Simple Mail Transfer Protocol）簡(jiǎn)單郵件傳輸協(xié)議，Python內(nèi)置對(duì)SMTP的支持，可以發(fā)送純文本文件，HTML郵件以及附帶文件。本文講解如何使用python發(fā)送郵件2021-06-06
像素是計(jì)算機(jī)視覺(jué)中圖像的重要屬性。它們是表示圖像中特定空間中光的顏色強(qiáng)度的數(shù)值，是圖像中數(shù)據(jù)的最小單位。本文將詳細(xì)為大家介紹如何在OpenCV中使用圖像像素，感興趣的可以了解一下2022-03-03
如何使用PyCharm將代碼上傳到GitHub上(圖文詳解)
這篇文章主要介紹了如何使用PyCharm將代碼上傳到GitHub上(圖文詳解)，文中通過(guò)圖文介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-04-04
python中視頻音頻的剪輯與處理實(shí)現(xiàn)
Python中輕松實(shí)現(xiàn)各種視頻處理操作,包括剪輯、合并、添加音頻、文本、特效等多種功能,主要介紹了python中視頻音頻的剪輯與處理實(shí)現(xiàn),具有一定的參考價(jià)值,感興趣的可以了解一下2024-06-06