正则化---提高深度学习模型的泛化能力

前面文章小编简单给大家介绍了泛化能力的一些基础知识，今天给大家带来的是提高模型泛化能力的方法--正则化。

一、首先来回顾一下什么是泛化能力

泛化能力(generalization ability)，百科给出的定义是：机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据对背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。简单来概括一下，泛化能力就是一个机器学习算法能够识别没有见过的样本的能力，通俗点说就是学以致用，举一反三的能力。机器学习方法训练出一个模型，我们会希望这个模型不但是对于已知的数据(训练集)性能表现良好，而且对于未知的数据(测试集)也能够表现良好，这就表明这个模型具有良好的泛化能力。在实际应用子中，模型的过拟合(overfitting)与欠拟合(underfitting)能够最直观的体现出泛化能力的好坏。

根据泛化能力强弱，可以分为：

欠拟合：模型不能在训练集上获得足够低的误差;

拟合：测试误差与训练误差差距较小;

过拟合：训练误差和测试误差之间的差距太大;

不收敛：模型不是根据训练集训练得到的。

二、简单介绍正则化

正则化regularization的目标为：模型的经验风险和模型复杂度之和达到最小，即结构风险达到最小。也就是正则化的目的是为了防止过拟合， 从而增强泛化能力。

我们通常将正则化定义为：对学习算法的修改，目的是减少泛化误差而不是训练误差

在训练次数足够多，以及表达形式足够复杂的情况下，训练误差能够无限小，可是这并不代表着泛化误差的减小。相反的，一般情况下，这样会导致泛化误差的增大。最常见的例子是：真实数据的分布符合二次函数，但是欠拟合一般会将模型拟合成一次函数，而过拟合通常将模型拟合成高次函数。根据奥卡姆剃须原则：在尽可能符合数据原始分布的基础上，更加平滑、简单的模型，往往更加符合数据的真实特征。所以，我们必须采用采用某种约束，这也就引出了的正则化。

三、正则化---提高模型的泛化能力

按策略正则化可以分为以下三类：

(一)　经验正则化：利用工程上的技巧，实现更低的泛化误差，例如：提前终止法、模型集成、Dropout等;

1.提前终止(earlystop)

一种最简单的正则化方法，在泛化误差指标不再提升后，提前结束训练

2.模型集成(ensemable))

通过训练多个模型来完成该任务，这些模型可以是不同的网络结构，不同的初始化方法，不同的数据集训练出来的，也可以是采用不同的测试图片处理方法。总结来说就是，利用多个模型进行投票的策略

3.Dropout移除一部分神经元

Dropout采用的是"综合起来取平均”的策略，来防止过拟合问题。不同的网络会产生不同的过拟合问题，取平均会让一些“相反的”拟合有互相抵消的可能，整个Dropout过程就相当于 对很多个不同的神经网络取平均。而且因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现，这样会减少神经元之间复杂的共适应关系

(二)参数正则化：直接提供正则化约束，例如：L1/L2正则化法等;

L1/L2正则化方法，就是最常用的正则化方法，它直接来自于传统的机器学习。

L1正则化：

L2正则化：

(三)隐式正则化：不直接提供约束，例如：数据有关的操作，包括归一化、数据增强、扰乱标签等。