PyTorch学习笔记（25）正则化 weight_decay

最新推荐文章于 2024-07-20 10:30:00 发布

TongYixuan_LUT

最新推荐文章于 2024-07-20 10:30:00 发布

阅读量4.5k

点赞数 4

分类专栏： PyTorch学习笔记文章标签： pytorch

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_33357094/article/details/104621117

版权

本文介绍了正则化的概念，它用于减小模型的方差，从而提高泛化能力。特别地，文章详细探讨了L2正则化，也称为权值衰减，以及如何在PyTorch中实现这一技术。通过调整目标函数，将L2正则化项加入，影响权重更新的规则，以避免过拟合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Regularzation 正则化

Regularzation:减小方差的策略
误差可分解为:偏差，方差与噪声之和。即误差 = 偏差 + 方差 + 噪声之和
偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力
方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响
噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差的下界

损失函数:衡量模型输出与真实标签的差异

损失函数(Loss Function):

损失函数:衡量模型输出与真实标签的差异
$\text { Loss }=f\left(y^{\wedge}, y\right)$
代价函数(Cost Function):
$Cost=\frac{1}{N} \sum_{i}^{N} f\left(y_{i}^{\wedge}, y_{i}\right)$
目标函数(Objective Function):
$KaTeX parse error: Can't use function '$' in math mode at position 2: $̲Obj=$ Cost $+$ \dots$

L1 Regularzation Term :

$\sum_{i}^{N}\left|\boldsymbol{w}_{i}\right|$

L2 Regularzation Term :

$\sum_{i}^{N} w_{i}^{2}$

最低0.47元/天解锁文章

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。