网站开发前景与趋势如何一手项目对接app平台
学习目标
- 完成集中学习的readme
- 完成联邦学习的代码编写
- 边学习边总结
学习内容
Introduction to Early Stopping
1、Overfitting
过拟合是所有机器学习，深度学习中可能出现的一个比较严重的问题。具体表现就是：你的模型在训练集上处理的效果非常好，但是在测试集上的表现就非常的差😰
以二元分类问题举例：
可以看出第一个模型可能采用的是简单的线性分类，效果不理想。第二个和第三个都能够正确的分类。但是为什么说第三个模型是过拟合呢？因为此时第三个模型虽然很精确地区分了所有的训练数据，但是他是通过记住训练数据的微小波动来得到这样一个“完美”的训练准确率的，但是此时这个模型只学到了当前训练数据集的特征，没有学到数据的整体特征，他不能成功的表达除了训练数据以外的其他数据，don’t generalize（概括）
2、relation of overfitting with model parameters
根据人的工作年限预测工资的例子（回归）：
现在有三个模型，对应的回归曲线：
- 第一个模型只用两个参数就能很好的看出年限和工资的关系了（线性增长）
- 第二个模型有三个参数，它很好地解释了数据，并考虑了二次项
- 第三个模型有四个参数，它就是过度拟合，尽管它经过了所有的训练点，但是不能很好的反应数据的趋势，预测能力严重不足。
这说明了参数越多越容易过拟合，神经网络的参数是非常多的，所以神经网络就是过拟合的重灾区
3、Regularization（正则化）
（1）when do we use regularization?
当我们猜测模型是过拟合状态时就要使用正则化，过拟合状态的显著特点就是验证集具有不好的性能，验证集是模型没有“看到过”的数据，所以如果模型值学到了训练集数据的知识，那么在验证集上将具有很差的性能。所以在训练的过程中我们要不断的检测验证集的指标，如果发现验证集没有显著提升的话，这就是一个警报，告诉我们模型正在过拟合，我们就需要采取regularization techniques
（2）easy stopping
一般解决overfitting问题的策略就是Regularization，easy stopping是其中的一个方法。
这个想法很简单，模型在训练的过程中通过不断的tune（调整）parameters，试图在training data上追踪loss function。我们现在再训练的同时保存一个validation data，同时记录在validation data上的loss function的值，当为我们发现validation set的loss没有提升的话，我们就不要运行完所有的epochs，直接stop。这种基于验证集性能的提前停止策略称为easy stopping。
从图中可以看出
- 随着epochs的增加，训练集的准确率是在一直增加的，很有可能就进入过拟合状态
- 验证集在epoch=8~10左右就饱和了，说明模型可以在此时就停止训练了，easy stopping不仅可以防止过度拟合，而且需要相当少的Epoch来训练。
（3） L1/L2 Regularization
正则化方法是在原目标（代价）函数 中添加惩罚项，对复杂度高的模型进行“惩罚”，通过对权重系数进行缩减
通常我们的损失函数是： l o s s = f ( p r e d s , y ) loss = f(preds,y) loss=f(preds,y)，其中 y y y是目标输出， p r e d s preds preds是预测值
线性回归问题的预测值可以表示为： p r e d s = W X + b preds=WX+b preds=WX+b
L1/L2 regularization就是在这个损失函数的基础上加上一个惩罚项（penalty term） Ω ( W ) \Omega(W) Ω(W)，可理解为模型“规模”的某种度量,参数 α \alpha α控制控制正则化强弱
l o s s = f ( p r e d s , y , W ) + α Ω ( W ) L 1 : Ω ( W ) = ∣ ∣ W ∣ ∣ 1 = ∑ i ∣ W i ∣ L 2 : Ω ( W ) = ∣ ∣ W ∣ ∣ 2 = ∑ i W i 2 loss = f(preds,y,W)+\alpha \Omega(W)\\ L1:\Omega(W)=||W||_1=\sum_i |W_i|\\ L2:\Omega(W)=||W||_2=\sum_i W_i^2\\ loss=f(preds,y,W)+αΩ(W)L1:Ω(W)=∣∣W∣∣1=i∑∣Wi∣L2:Ω(W)=∣∣W∣∣2=i∑Wi2
L1正则化使一些系数为零，这意味着模型将忽略这些特征。忽略最不重要的特征有助于强调模型的基本特征。
L2正则化技术试图保持模型的权重接近于零，但不是零，这意味着每个特征对输出的影响应该很小，而模型的精度应该尽可能高。
easy stopping的一些参数
- monitor：需要被监视的量。默认就是validatin loss
- min_delta：监视的量的最小的提升量。
- patience：如果训练已经有patience个epochs没有提升了，那么训练停止
- mode：one of {“auto”,“min”,“max”}这是一个最大化问题还是最小化问题，我们最大化精确度，最小化损失。
- restore_best_weights：是否使用最优的模型权重或者最后一个epoch时的模型权重