解决过拟合：如何在PyTorch中使用标签平滑正则化

Feronia ·

更新时间:2024-11-11

· 645 次阅读

什么是标签平滑？在PyTorch中如何去使用它？

在训练深度学习模型的过程中，过拟合和概率校准(probability calibration)是两个常见的问题。一方面，正则化技术可以解决过拟合问题，其中较为常见的方法有将权重调小，迭代提前停止以及丢弃一些权重等。另一方面，Platt标度法和isotonic regression法能够对模型进行校准。但是有没有一种方法可以同时解决过拟合和模型过度自信呢?

标签平滑也许可以。它是一种去改变目标变量的正则化技术，能使模型的预测结果不再仅为一个确定值。标签平滑之所以被看作是一种正则化技术，是因为它可以防止输入到softmax函数的最大logits值变得特别大，从而使得分类模型变得更加准确。

在这篇文章中，我们定义了标签平滑化，在测试过程中我们将它应用到交叉熵损失函数中。

标签平滑？

假设这里有一个多分类问题，在这个问题中，目标变量通常是一个one-hot向量，即当处于正确分类时结果为1，否则结果是0。

标签平滑改变了目标向量的最小值，使它为ε。因此，当模型进行分类时，其结果不再仅是1或0，而是我们所要求的1-ε和ε，从而带标签平滑的交叉熵损失函数为如下公式。

在这个公式中，ce(x)表示x的标准交叉熵损失函数，例如：-log(p(x))，ε是一个非常小的正数，i表示对应的正确分类，N为所有分类的数量。

直观上看，标记平滑限制了正确类的logit值，并使得它更接近于其他类的logit值。从而在一定程度上，它被当作为一种正则化技术和一种对抗模型过度自信的方法。

PyTorch中的使用

在PyTorch中，带标签平滑的交叉熵损失函数实现起来非常简单。首先，让我们使用一个辅助函数来计算两个值之间的线性组合。

deflinear_combination(x, y, epsilon):return epsilon*x + (1-epsilon)*y

下一步，我们使用PyTorch中一个全新的损失函数：nn.Module.

import torch.nn.functional as F
defreduce_loss(loss, reduction='mean'):return loss.mean() if reduction=='mean'else loss.sum() if reduction=='sum'else loss
classLabelSmoothingCrossEntropy(nn.Module):def__init__(self, epsilon:float=0.1, reduction='mean'):
        super().__init__()
        self.epsilon = epsilon
        self.reduction = reduction
    defforward(self, preds, target):
        n = preds.size()[-1]
        log_preds = F.log_softmax(preds, dim=-1)
        loss = reduce_loss(-log_preds.sum(dim=-1), self.reduction)
        nll = F.nll_loss(log_preds, target, reduction=self.reduction)
        return linear_combination(loss/n, nll, self.epsilon)

我们现在可以在代码中删除这个类。对于这个例子，我们使用标准的fast.ai pets example.

from fastai.vision import *
from fastai.metrics import error_rate
# prepare the data
path = untar_data(URLs.PETS)
path_img = path/'images'
fnames = get_image_files(path_img)
bs = 64
np.random.seed(2)
pat = r'/([^/]+)_\d+.jpg$'
data = ImageDataBunch.from_name_re(path_img, fnames, pat, ds_tfms=get_transforms(), size=224, bs=bs) \
                     .normalize(imagenet_stats)
# train the model
learn = cnn_learner(data, models.resnet34, metrics=error_rate)
learn.loss_func = LabelSmoothingCrossEntropy()
learn.fit_one_cycle(4)

最后将数据转换成模型可以使用的格式，选择ResNet架构并以带标签平滑的交叉熵损失函数作为优化目标。经过四轮循环后，其结果如下