行业网站推广,北京网站设计与开发,酒店网站建设报告书,珠海网站制作渠道文章目录 一、理论知识二、代码实现2.1从零开始实现Dropout 【相关总结】np.random.uniform(low#xff0c;high#xff0c;size)astypetorch.rand() 一、理论知识
1.动机
一个好的模型需要对输入数据的扰动鲁棒 使用有噪音的数据等价于Tikhonov正则丢弃法#xff1a;在层… 文章目录 一、理论知识二、代码实现2.1从零开始实现Dropout 【相关总结】np.random.uniform(lowhighsize)astypetorch.rand() 一、理论知识
1.动机
一个好的模型需要对输入数据的扰动鲁棒 使用有噪音的数据等价于Tikhonov正则丢弃法在层之间加入噪音 2.无偏差的加入噪音 对x加入噪音得到x’我们希望 丢弃法对每个元素进行如下扰动 3.使用场景
通常将丢弃法作用在隐藏全连接层的输出上 4.推理中的丢弃法正则项只在训练中使用他们影响模型参数的更新在推理过程中丢弃法直接返回输出 总结丢弃法将一些输出项随机置0来控制模型复杂度常作用在多层感知机的隐藏层输出上丢弃概率是控制模型复杂度的超参数
二、代码实现
2.1从零开始实现Dropout
import torch
from torch import nn
from d2l import torch as d2ldef dropout_layer(X, dropout):assert 0 dropout 1if dropout 1:
# 全置0即全丢弃return torch.zeros_like(x)if dropout 0:
# 全保留return X
# 掩码中的元素大于 dropout 的值时为 True表示该元素丢弃mask np.random.uniform(0, 1, X.shape) dropout
# mask (torch.randn(X.shape) dropout).float()
# 进行归一化保持期望不变return mask.astype(np.float32) * X / (1.0 - dropout)
需要解释一下最后为什么需要进行归一化即对保留的元素进行缩放 在进行 Dropout 操作时为了保持期望值不变需要对被保留的神经元的输出进行归一化。Dropout 实际上是在训练期间按照一定概率随机将某些神经元的输出置零这样可以防止模型过拟合。 假设在一个 Dropout 操作中有一部分神经元被保留而一部分被置零。那么为了保持期望值不变就需要对被保留的神经元的输出进行归一化。这是因为在测试阶段所有神经元都会参与预测而在训练阶段有一部分参与训练。如果在训练时不对被保留的神经元的输出进行归一化那么在测试时整体的输出值就会偏大因为所有神经元都要参与预测。 具体而言对于被保留的神经元其输出值 X 会乘以一个缩放因子即 1.0 / (1.0 -dropout)。这样在训练阶段因为有一部分神经元被置零乘以缩放因子后可以保持整体期望值不变。在测试阶段因为所有神经元都是活跃的这个缩放因子就等于1不影响整体输出。 所以通过除以 (1.0 - dropout) 进行归一化可以在 Dropout操作中保持整体期望值不变确保在训练和测试阶段输出值的一致性。 训练时输出的期望是E(x)[(1-p)xp*0]/(1-p) x 测试阶段的期望值等于模型的实际输出X 【相关总结】
np.random.uniform(lowhighsize)
生成服从[low,high)范围内的均匀分布的元素。 low生成元素值的下界默认为0 high生成元素值的上界默认为1 size输出设置 import numpy as np# 默认为[0,1)的均匀分布
arr np.random.uniform()
print(arr)# 指定low,high
arr np.random.uniform(2, 8)
print(arr)# 指定size
arr np.random.uniform(2,8, (3,3))
print(arr)0.8091521937664127 7.354698032780574 [[2.43782389 4.08495999 2.84664462] [5.61473981 6.99573442 7.15074041] [3.27288764 2.22821273 5.99610331]]
astype
转换数组数据类型
import numpy as np# 创建一个整数数组
arr_int np.array([1, 2, 3, 4, 5])# 将整数数组转换为浮点数数组
arr_float arr_int.astype(np.float32)print(arr_float)[1. 2. 3. 4. 5.]
# 创建一个布尔数组
arr_bool np.array([True, False, True, False])# 将布尔数组转换为整数数组
arr_int_from_bool arr_bool.astype(np.int)print(arr_int_from_bool)[1 0 1 0]
torch.rand() 用于生成随机数生成在区间 [0, 1) 内均匀分布的随机数包括 0但不包括 1。 import torch# 生成一个包含随机数的张量形状为 (3, 4)
random_tensor torch.rand(3, 4)print(random_tensor)
tensor([[0.2901, 0.8945, 0.7689, 0.5298], [0.6336, 0.8918, 0.8178, 0.8453], [0.0051, 0.8169, 0.1454, 0.9368]]) 如果需要生成在其他区间的随机数可以通过适当的缩放和平移来实现。例如如果要生成在区间 [a, b) 内均匀分布的随机数可以使用 tensor([[3.1698, 2.7084, 2.2045, 4.5003], [3.1167, 4.5860, 3.7704, 4.0340], [3.1466, 2.3846, 4.7165, 4.7822]])
