pytorch学习笔记（十五）————Early Stop，Dropout

（1）Early Stop的概念

Early Stop的概念非常简单，在我们一般训练中，经常由于过拟合导致在训练集上的效果好，而在测试集上的效果非常差。因此我们可以让训练提前停止，在测试集上达到最好的效果时候就停止训练，而不是等到在训练集上饱和在停止，这个操作就叫做Early Stop。
（2）Early Stop的过程

（1）Dropout的概念

在2012年，Hinton在其论文《Improving neural networks by preventing co-adaptation of feature detectors》中提出Dropout。当一个复杂的前馈神经网络被训练在小的数据集时，容易造成过拟合。为了防止过拟合，可以通过阻止特征检测器的共同作用来提高神经网络的性能。

在2012年，Alex、Hinton在其论文《ImageNet Classification with Deep Convolutional Neural Networks》中用到了Dropout算法，用于防止过拟合。并且，这篇论文提到的AlexNet网络模型引爆了神经网络应用热潮，并赢得了2012年图像识别大赛冠军，使得CNN成为图像分类上的核心算法模型。

随后，又有一些关于Dropout的文章《Dropout:A Simple Way to Prevent Neural Networks from Overfitting》、《Improving Neural Networks with Dropout》、《Dropout as data augmentation》。

从上面的论文中，我们能感受到Dropout在深度学习中的重要性。那么，到底什么是Dropout呢？

Dropout可以作为训练深度神经网络的一种trick供选择。在每个训练批次中，通过忽略一半的特征检测器（让一半的隐层节点值为0），可以明显地减少过拟合现象。这种方式可以减少特征检测器（隐层节点）间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用。

Dropout说的简单一点就是：我们在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，如上图所示。

（2）Dropout代码实现

（3）pytorch与tensorflow中Dropout函数的区别

值得注意的是在pytorch中传入的参数是丢弃权重参数的概率，
而在tensorflow中传入的参数是保持权重参数的概率，两者的关系是相加为1.
（4）Dropout在训练集和测试集中的不同行为

model.train() ：启用 BatchNormalization 和 Dropout
model.eval() ：不启用 BatchNormalization 和 Dropout
在训练集中我们在训练模型的过程中需要引入Dropout让模型具备更加强大的泛化能力。而在测试集中，则不需要在测试的时候也进行Dropout。否则会降低模型的表现能力。所以需要添加语句net_dropout.eval()，表示切换到不启用Dropout模式，再利用测试集测试模型性能。

（1）SGD与确定性模型和随机模型的区别

不同于一般的随机，SGD中的随机其实是符合一定函数分布，如正态分布这种，这种随机也不同于一般的Deterministic Model（确定性模型），确定性模型相当于一个f(x)，有什么样的输入就会有相应的输出。
（2）SGD和经典梯度下降算法区别


为了解决经典的梯度下降法在每次对模型参数进行更新时，需要遍历所有的训练数据。当M很大的时候，就需要耗费巨大的计算资源和计算时间这个弊端，因此引入了SGD（随机梯度下降算法）
随机梯度下降法用单个训练数据即可对模型参数进行一次更新，大大加快了训练速度。
为了降低随机梯度的方差，从而使得迭代算法更加稳定，也为了充分利用高度优化的矩阵运算操作，在实际操作中，我们会同时处理若干训练数据，也就是指定的一个Batchsize，这种SGD叫做BGD。

pytorch stop