Deep Learning Note: 2-2 正则化

Author: nex3z 2017-12-30

　　解决过拟合问题的主要方法是使用正则化（Regularization）和获取更多数据，但并不是总能获取到更多的数据，或者获取更多数据的成本过高，因此通常首选使用正则化。

1. 逻辑回归的正则化

　　首先以逻辑回归为例，说明正则化的过程。逻辑回归的代价函数为：

$$\begin{equation} J(w, b) = \frac{1}{m} \sum_{i=1}^m L(\hat{y}^{(i)}, y^{(i)}) \tag{1} \end{equation}$$

　　式 (1) 中 $w$ 为权重，是一个 $n_x \times 1$ 的向量，即 $w \in \mathbb{R}^{n_x}$，$n_x$ 为特征数量。$b$ 为偏置，是一个实数，即 $b \in \mathbb{R}$。

　　应用正则化的方法是，为代价函数额外加上一项 $\frac{\lambda}{2m} \Vert w \Vert_2^2$，即：

$$\begin{equation} J(w, b) = \frac{1}{m} \sum_{i=1}^m L(\hat{y}^{(i)}, y^{(i)}) + \frac{\lambda}{2m} \Vert w \Vert_2^2 \tag{2} \end{equation}$$

　　式 (2) 中，$\lambda$ 为正则化系数，$\Vert w \Vert_2$ 为向量 $w$ 的欧几里得范数（Euclidean Norm），也称为 L2 范数，是向量元素平方和再开平方：

$$\begin{equation} \Vert w \Vert_2 = \sqrt{\sum_{j=1}^{n_x} w_j^2} = \sqrt{w^Tw} \tag{3} \end{equation}$$

　　式 (2) 中使用平方的形式：

$$\begin{equation} \Vert w \Vert_2^2 = \sum_{j=1}^{n_x} w_j^2 = w^Tw \end{equation}$$

　　因此式 (2) 所示的正则化方法称为 L2 正则化（L2 Regularization），是最常见的正则化方法。

　　注意是 (2) 中只增加了关于 $w$ 的项，而没有增加关于 $b$ 的项，例如：

$$\begin{equation} J(w, b) = \frac{1}{m} \sum_{i=1}^m L(\hat{y}^{(i)}, y^{(i)}) + \frac{\lambda}{2m} \Vert w \Vert_2^2 + \frac{\lambda}{2m}b^2 \end{equation}$$

　　实际上，也可以像上式那样，添加关于 $b$ 的项 $\frac{\lambda}{2m}b^2$。$w$ 通常是一个非常高维的向量，它对模型的高方差问题做出了主要“贡献”，而 $b$ 只是一个实数，对模型的影响较小。因为几乎所有的参数都集中在 $w$ 中，即便像上式那样加上关于 $b$ 的项，它的影响也微乎其微，所以通常省略关于 $b$ 的项，只对 $w$ 进行正则化。

　　此外，还有 L1 正则化，它在代价函数后添加 $\frac{\lambda}{2m} \Vert w \Vert_1$ 一项，其中 $\Vert w \Vert_1$ 为向量 $w$ 的 L1 范数，即向量元素绝对值之和：

$$\begin{equation} \Vert w \Vert_1 = \sum_{j=1}^{n_x} \vert w \vert \tag{4} \end{equation}$$

　　使用 L1 正则化可以让 $w$ 变得稀疏，即有很多项为 0，有观点认为这有利于压缩模型的大小，存储模型所需的内存更少，但在实际应用中，其压缩的作用并不明显，

　　至于正则化参数 $\lambda$，它是一个超参数，其值可以通过开发集来选择，即尝试不同的值，在开发集上比较其性能，选择最佳值。$\lambda$ 较大时，$w$ 会倾向于较小，有助于降低拟合；当 $\lambda$ 较小时，$w$ 会倾向于较大，有助于提高拟合。

2. 神经网络的正则化

　　在神经网络中，代价函数为：

$$\begin{equation} J(W^{[1]}, b^{[1]}, …,W^{[L]}, b^{[L]}) = \frac{1}{m} \sum_{i=1}^m L(\hat{y}^{(i)}, y^{(i)}) + \frac{\lambda}{2m} \sum_{l=1}^{L}\Vert W^{[l]} \Vert_F^2 \tag{5} \end{equation}$$

　　其中 $L$ 为网络层数，$\Vert W^{[l]} \Vert_F$ 为 $W^{[l]}$ 的 F-范数，即 Frobenius 范数，是矩阵元素的平方和再开平方。$W^{[l]}$ 是一个 $n^{[l]} \times n^{[l-1]}$ 的矩阵，因此有：

$$\begin{equation} \Vert W^{[l]} \Vert_F = \sqrt{\sum_{i=1}^{n^{[l-1]}} \sum_{j=1}^{n^{[l]}} (W_{ij}^{[l]})^2} \tag{6} \end{equation}$$

　　式 (5) 中使用平方的形式：

$$\begin{equation} \Vert W^{[l]} \Vert_F^2 = \sum_{i=1}^{n^{[l-1]}} \sum_{j=1}^{n^{[l]}} (W_{ij}^{[l]})^2 \end{equation}$$

　　此时 $dW^{[l]}$ 除了从原来反向传播得到的项，也会多出一项 $\frac{\lambda}{m}W^{[l]}$：

$$\begin{equation} dW^{[l]} = (原反向传播得到的项) + \frac{\lambda}{m}W^{[l]} \end{equation}$$

　　此时梯度下降对权重 $W^{[l]}$ 的更新为：

$$\begin{align} W^{[l]} & := W^{[l]} – \alpha dW^{[l]} \\ & = W^{[l]} – \alpha [(原反向传播得到的项) + \frac{\lambda}{m}W^{[l]}] \\ & = (1 – \frac{\alpha \lambda}{m})W^{[l]} – \alpha(原反向传播得到的项) \end{align}$$

　　每次更新 $W^{[l]}$ 时，L2 正则化都让 $W^{[l]}$ 乘以一个略小于 1 的系数 $(1 – \frac{\alpha \lambda}{m})$，使 $W^{[l]}$ 按比例缩小，因此 L2 正则化又称为权重衰减（Weight Decay）。

3. 正则化避免过拟合的原因

　　正则化可以降低权重参数 $W$，使其趋向于 0，进而导致神经网络中的相关节点输出减小、对结果产生的影响降低，相当于使神经网络的有效结构变得更简单，降低网络拟合复杂函数的能力，不容易过拟合。对于过拟合的模型，通过逐步增大正则化参数 $lambda$，可以让模型逐步从过拟合向欠拟合移动，使用开发集找到某个适中的 $lambda$，达到期望的低偏差和低方差的结果。

　　还可以从激活函数的角度来理解正则化避免过拟合的原因。例如使用如图 1 所示的 Tanh 作为激活函数：

　　通过增大正则化参数 $lambda$，可以降低权重参数 $W^{[l]}$，由：

$$\begin{equation} Z^{[l]} = W^{[l]}a^{[l-1]} + b^{[l]} \\ a^{[l]} = tanh(Z^{[l]}) \end{equation}$$

　　可知 $Z^{[l]}$ 也会减小。由图 1 可见，当 Tanh 函数的输入较小时，Tanh 接近线性函数，因此该层接近于一个线性函数。即便对于很深的网络，如果每一层都是线性的，则整个网络也是线性的。通过增大正则化参数 $lambda$，可以使网络接近于线性，不容易拟合复杂的非线性函数，降低过拟合的风险。

4. Dropout

　　Dropout 也是一种有效的正则化方法。举例来说，对于图 2 所示的网络：

　　对于每一个训练样本，对于网络的每一层，以一个特定的概率随机移除一些节点。例如对于每一层，以 0.5 的概率移除其中的节点，此时得到的结果可能如图 3 所示：

　　使用如图 3 这样的移除了部分节点的网络，进行当前一个样本的前向传播和反向传播。对于后续各个样本，都以特定概率随机移除原网络各层的节点，再进行前向传播和反向传播的计算。相当于每个样本的训练都使用了不同的、“缩水”的网络，也因此带来正则化的效果。

　　Dropout 有多种实现方式，最常见的 Interted Dropout 实现方式为，给定第 l 层的保留节点的概率 keep_prob，计算：

d[l] = np.random.rand(a[l].shape[0], a[l].shape[1]) < keep_prob
a[l] = a[l].multiply(d[l])
a[l] /= keep_prob

　　第 1 行计算一个与第 l 层激活值 a[l] 具有相同大小的矩阵 d[l]，它的每一个元素有 keep_prob 的概率为 1，有 1 - keep_prob 的概率为 0。第 2 行更新 a[l] 为其与 d[l] 逐元素相乘的结果，即使用 d[l] 作为掩码，以 keep_prob 的概率设置 a[l] 中的元素为 0。第 3 行又更新 a[l] 为其与 keep_prob 相除的结果，这是因为在为以 keep_prob 的概率随机移除 a[l] 中的元素后，在后续计算 $Z^{[l+1]} = W^{[l+1]} a^{[l]} + b^{[l+1]}$ 时，$W^{[l+1]} a^{[l]}$ 的值也会相应缩小，为了避免这一情况，在随机移除节点后，再使用 a[l] /= keep_prob 将其缩放回原来的比例。因此该方法被称为 Interted Dropout。

　　需要注意的是，如果使用向量化的实现方式，上面代码第 1 行计算的激活值掩码 d[l] 仅在每次迭代时会更新，对于某一次迭代的所有样本，使用的 d[l] 是相同的，移除的节点是相同的。即每次迭代中所有样本使用的网络是相同的，而不同迭代使用的网络是不同的。

　　不同层可以使用不同的节点保留概率 keep_prob，例如对于节点数很多层，有较大的概率发生过拟合，可以使用较低的 keep_prob，移除更多的节点。对于节点数较少的层，可以使用较大的 keep_prob，甚至令 keep_prob 为 1，即保留所有节点。通常会将输入层的 keep_prob 设置为 1 或接近于 1，尽量保留所有的输入特征。为不同层设置不同 keep_prob 更加灵活，但缺点是引入了更多的超参数。

　　在测试时，不要使用 Dropout，因为 Dropout 的随机性会带来额外的噪声，干扰预测结果。如果一定要使用 Dropout，则可以多次计算移除不同节点的预测结果，取平均值，但这样做计算量更大，且结果和不使用 Dropout 差别不大。如果使用了 Interted Dropout，将各层保留概率（keep_prob）设置为 1，即可保留所有节点。

5. 理解 Dropout

　　Dropout 通过随机地移除网络中的节点，使得网络变得更简单，更不容易拟合复杂函数。此外还可以从另一个角度理解 Dropout。

　　对于网络中的某一个节点 N，它接受前一层各节点的输出，分别乘以对应的权重，然后输出自己的结果。当使用了 Dropout 时，由于任一节点都可能被移除，对于前述节点 N，其任一输入都可能被移除，则节点 N 的输出不能依赖于任一个特定输入，其权重会倾向于分散到各个输入，而不是集中在某一个输入上。权重的分散有利于降低权重的F-范数，就像 L2 正则化一样，可以避免过拟合。Dropout 可以看做是一种自适应的 L2 正则化。

　　Dropout 最早成功应用于计算机视觉领域，因为该领域的输入，比如图像，通常非常大。Dropout 本质上是解决过拟合问题的方法，在其他领域，如果算法不存在过拟合，则不需要使用 Dropout。

　　使用 Dropout 的一个缺点是会影响代价函数的定义。因为每次迭代都会随机移除不同的节点，代价函数不再能真实地反映整个模型的性能。在 Debug 时，可以先禁用 Dropout，比如设置节点保留概率（keep_prop）为 1，绘制代价函数随迭代次数变化的图像，确认代价函数的值随迭代次数的增加而单调下降，算法及其实现没有问题，可以收敛；然后再启用 Dropout，解决过拟合问题。

6. 其他正则化方法

　　除了前面提到的 L2 正则化和 Dropout，还有其他一些方法可以降低过拟合。

6.1. 数据扩充

　　获取更多数据是解决过拟合问题的有效途径，但有时无法获取更多数据，或者候获取数据的代价很大，此时可以尝试通过数据扩充（Data Augmentation），从现有数据中生成新的数据。例如对于图像识别的场景，可以将现有训练图片通过翻转、裁剪、旋转、变形、引入失真、添加噪声等方式，生成新的图片用于训练。虽然这些图片并没有引入多少额外的信息，但这样做的成本很低，并能在一定程度上降低过拟合。例如将图片水平翻转，相当于告诉算法，同一个物体水平转后还是该物体。

6.2. 提前终止

　　在梯度下降过程中，训练集错误率或代价函数应随迭代次数单调递减，而开发集错误率通常会先随迭代次数下降，然后随迭代次数上升，如图 4 所示。

　　
　　提前终止（Early Stopping）指的是，在梯度下降的过程中，找到合适的开发集错误率和训练集错误率（或代价函数），在该次循环处终止训练，如图 4 中的绿点。因为通常会把权重 $W$ 初始化为接近 0 的随机数，在训练早期，$W$ 的值较小。随着迭代次数提升，$W$ 会逐渐变大。通过在提前终止训练，可以得到大小适中的 $W$，此时 $W$ 的 F-范数也适中，类似于 L2 正则化，可以避免过拟合。

　　提前终止的优点是只需进行一次梯度下降过程，就相当于比较了不同大小的 $W$ 的影响，没有额外的超参数（如 L2 正则化的参数 lambda）。

　　机器的学习过程涉及众多的参数和超参数，通过将其分解成若干个正交的步骤，可以简化训练过程。所谓正交的步骤，指的是连个步骤互不影响。例如在训练过程中，首先优化代价函数，如使用梯度下降，获得最佳参数；然后解决过拟合问题，如使用正则化、获取更多数据。优化代价函数和解决过拟合这两个问题是完全独立、互不影响的，可以独立解决，而不用担心在解决了一个问题后会影响另一个问题，这种解决问题的方式称为正交化（Orthogonalization）。

　　提前终止的缺点是，相当于尝试一次性解决优化代价函数和解决过拟合两个问题，提前终止训练会影响对代价函数的优化，同时降低模型过拟合的可能性，在解决其中一个问题的同时会影响到另一个问题，带来更大的复杂度。另一方面，使用 L2 正则化并训练尽可能长的时间，可以更系统地搜索不同的超参数，但会引入额外的超参数 $\lambda$，计算量也较大。