理解神经网络中的Dropout

女爷i 2022-06-08 14:24 204阅读 0赞

dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。

过拟合是深度神经网（DNN）中的一个常见问题：模型只学会在训练集上分类，这些年提出的许多过拟合问题的解决方案，其中dropout具有简单性而且效果也非常良好。

## 算法概述 ##

我们知道如果要训练一个大型的网络，而训练数据很少的话，那么很容易引起过拟合，一般情况我们会想到用正则化、或者减小网络规模。然而Hinton在2012年文献：《Improving neural networks by preventing co-adaptation of feature detectors》提出了，在每次训练的时候，随机让一半的特征检测器停过工作，这样可以提高网络的泛化能力，Hinton又把它称之为dropout。

![SouthEast][]

第一种理解方式是，在每次训练的时候使用dropout，每个神经元有百分之50的概率被移除，这样可以使得一个神经元的训练不依赖于另外一个神经元，同样也就使得特征之间的协同作用被减弱。Hinton认为，过拟合可以通过阻止某些特征的协同作用来缓解。

第二种理解方式是，我们可以把dropout当做一种多模型效果平均的方式。对于减少测试集中的错误，我们可以将多个不同神经网络的预测结果取平均，而因为dropout的随机性，我们每次dropout后，网络模型都可以看成是一个不同结构的神经网络，而此时要训练的参数数目却是不变的，这就解脱了训练多个独立的不同神经网络的时耗问题。在测试输出的时候，将输出权重除以二，从而达到类似平均的效果。

需要注意的是如果采用dropout，训练时间大大延长，但是对测试阶段没影响。

## 带dropout的训练过程 ##

而为了达到ensemble的特性，有了dropout后，神经网络的训练和预测就会发生一些变化。在这里使用的是dropout以p的概率舍弃神经元

### 训练层面 ###

![这里写图片描述][SouthEast 1]

对应的公式变化如下如下：

没有dropout的神经网络

zl\+1i=wl\+1iyl\+bl\+1iyl\+1i=f(zl\+1i)

有dropout的神经网络

rjj～Bernoulli(p)y~l=rl∗ylzl\+1i=wl\+1iy~l\+bl\+1iyl\+1i=f(zl\+1i)

无可避免的，训练网络的每个单元要添加一道概率流程。

### 测试层面 ###

预测的时候，每一个单元的参数要预乘以p。

![这里写图片描述][SouthEast 2]

除此之外还有一种方式是，在预测阶段不变，而训练阶段改变。

Inverted Dropout的比例因子是11−p

rjj～Bernoulli(p)y~l=rl∗ylzl\+1i=wl\+1iy~l\+bl\+1iyl\+1i=11−pf(zl\+1i)

> 关于这个比例我查了不少资料，前面的是论文的结论；后面是keras源码中dropout的实现。有博客写的公式不一致，我写了一个我觉得是对的版本。

## Dropout与其它正则化 ##

Dropout通常使用L2归一化以及其他参数约束技术。正则化有助于保持较小的模型参数值。

w=w−η(∂f(W;x)∂w\+λw)

使用Inverted Dropout后，上述等式变为：

w=w−η(11−p∂f(W;x)∂w\+λw)

可以看出使用Inverted Dropout，学习率是由因子q=1−p进行缩放 。由于q在\[0,1\]之间，η和q之间的比例变化：

r(q)=ηq∈\[η=limq→1r(q),\+∞=limq→0r(q)\]

参考文献将q称为推动因素，因为其能增强学习速率，将r(q)称为有效的学习速率。

有效学习速率相对于所选的学习速率而言更高：基于此约束参数值的规一化可以帮助简化学习速率选择过程。

--------------------

*  [Improving neural networks by preventing co-adaptation of feature detectors][]
 *  [Improving Neural Networks with Dropout][]
 *  [Dropout: A Simple Way to Prevent Neural Networks from Overtting][Dropout_ A Simple Way to Prevent Neural Networks from Overtting]
 *  [ImageNet Classification with Deep Convolutional][]

[SouthEast]: /images/20220608/1b05deb0619e4573803dde946e4f4e99.png
[SouthEast 1]: /images/20220608/7bb3e67922544d449be95954cfa2feab.png
[SouthEast 2]: /images/20220608/14c0b3e845614e4697036f1c72499bfe.png
[Improving neural networks by preventing co-adaptation of feature detectors]: https://arxiv.org/pdf/1207.0580.pdf
[Improving Neural Networks with Dropout]: http://www.cs.toronto.edu/~nitish/msc_thesis.pdf
[Dropout_ A Simple Way to Prevent Neural Networks from Overtting]: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf
[ImageNet Classification with Deep Convolutional]: https://www.nvidia.cn/content/tesla/pdf/machine-learning/imagenet-classification-with-deep-convolutional-nn.pdf