日韩人妻无码精品无码中文字幕 ,少妇一晚三次一区二区三区,肉体裸交137大胆摄影

五月综合激情婷婷六月,日韩欧美国产一区不卡,他扒开我内裤强吻我下面视频 ,无套内射无矿码免费看黄,天天躁,日日躁,狠狠躁

公司動態(tài)

產品資訊

行業(yè)資訊

輕云服務器升級CN2線路有什么優(yōu)點

一.做數(shù)據(jù)

二.搭建神經網絡

三.訓練

四.對比測試結果

注意：測試過程中，一定要注意模式切換

Pytorch的學習——過擬合

過擬合

過擬合是當數(shù)據(jù)量較小時或者輸出結果過于依賴某些特定的神經元，訓練神經網絡訓練會發(fā)生一種現(xiàn)象。出現(xiàn)這種現(xiàn)象的神經網絡預測的結果并不具有普遍意義，其預測結果極不準確。

解決方法

1.增加數(shù)據(jù)量

2.L1，L2，L3…正規(guī)化，即在計算誤差值的時候加上要學習的參數(shù)值，當參數(shù)改變過大時，誤差也會變大，通過這種懲罰機制來控制過擬合現(xiàn)象

3.dropout正規(guī)化，在訓練過程中通過隨機屏蔽部分神經網絡連接，使神經網絡不完整，這樣就可以使神經網絡的預測結果不會過分依賴某些特定的神經元

例子

這里小編通過dropout正規(guī)化的列子來更加形象的了解神經網絡的過擬合現(xiàn)象

import torch
import matplotlib.pyplot as plt
N_SAMPLES = 20
N_HIDDEN = 300
# train數(shù)據(jù)
x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
y = x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# test數(shù)據(jù)
test_x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
test_y = test_x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# 可視化
plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.5, label='train')
plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.5, label='test')
plt.legend(loc='upper left')
plt.ylim((-2.5, 2.5))
plt.show()
# 網絡一，未使用dropout正規(guī)化
net_overfitting = torch.nn.Sequential(
 torch.nn.Linear(1, N_HIDDEN),
 torch.nn.ReLU(),
 torch.nn.Linear(N_HIDDEN, N_HIDDEN),
 torch.nn.ReLU(),
 torch.nn.Linear(N_HIDDEN, 1),
)
# 網絡二，使用dropout正規(guī)化
net_dropped = torch.nn.Sequential(
 torch.nn.Linear(1, N_HIDDEN),
 torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網絡連接
 torch.nn.ReLU(),
 torch.nn.Linear(N_HIDDEN, N_HIDDEN),
 torch.nn.Dropout(0.5),  # 隨機屏蔽50%的網絡連接
 torch.nn.ReLU(),
 torch.nn.Linear(N_HIDDEN, 1),
)
# 選擇優(yōu)化器
optimizer_ofit = torch.optim.Adam(net_overfitting.parameters(), lr=0.01)
optimizer_drop = torch.optim.Adam(net_dropped.parameters(), lr=0.01)
# 選擇計算誤差的工具
loss_func = torch.nn.MSELoss()
plt.ion()
for t in range(500):
 # 神經網絡訓練數(shù)據(jù)的固定過程
 pred_ofit = net_overfitting(x)
 pred_drop = net_dropped(x)
 loss_ofit = loss_func(pred_ofit, y)
 loss_drop = loss_func(pred_drop, y)
 optimizer_ofit.zero_grad()
 optimizer_drop.zero_grad()
 loss_ofit.backward()
 loss_drop.backward()
 optimizer_ofit.step()
 optimizer_drop.step()
 if t % 10 == 0:
  # 脫離訓練模式，這里便于展示神經網絡的變化過程
  net_overfitting.eval()
  net_dropped.eval() 
  # 可視化
  plt.cla()
  test_pred_ofit = net_overfitting(test_x)
  test_pred_drop = net_dropped(test_x)
  plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.3, label='train')
  plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.3, label='test')
  plt.plot(test_x.data.numpy(), test_pred_ofit.data.numpy(), 'r-', lw=3, label='overfitting')
  plt.plot(test_x.data.numpy(), test_pred_drop.data.numpy(), 'b--', lw=3, label='dropout(50%)')
  plt.text(0, -1.2, 'overfitting loss=%.4f' % loss_func(test_pred_ofit, test_y).data.numpy(),
  fontdict={'size': 20, 'color':  'red'})
  plt.text(0, -1.5, 'dropout loss=%.4f' % loss_func(test_pred_drop, test_y).data.numpy(),
  fontdict={'size': 20, 'color': 'blue'})
  plt.legend(loc='upper left'); plt.ylim((-2.5, 2.5));plt.pause(0.1)
  # 重新進入訓練模式，并繼續(xù)上次訓練
  net_overfitting.train()
  net_dropped.train()
plt.ioff()
plt.show()