python - 避免过度拟合使用 keras 的序列问题
问题描述
我想训练的模型有问题。
这是一个典型的带有注意力层的 seq-to-seq 问题,其中输入是字符串,输出是提交字符串的子字符串。
例如
Input Ground Truth
-----------------------------
helloimchuck chuck
johnismyname john
(这只是一个虚拟数据,不是数据集的真实部分^^)
模型如下所示:
model = Sequential()
model.add(Bidirectional(GRU(hidden_size, return_sequences=True), merge_mode='concat',
input_shape=(None, input_size))) # Encoder
model.add(Attention())
model.add(RepeatVector(max_out_seq_len))
model.add(GRU(hidden_size * 2, return_sequences=True)) # Decoder
model.add(TimeDistributed(Dense(units=output_size, activation="softmax")))
model.compile(loss="categorical_crossentropy", optimizer="rmsprop", metrics=['accuracy'])
问题在这里:
如您所见,存在过度拟合。
我在验证损失上使用了提前停止标准patience=8
。
self.Early_stop_criteria = keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0,
patience=8, verbose=0,
mode='auto')
我正在使用 one-hot-vector 来拟合模型。
BATCH_SIZE = 64
HIDDEN_DIM = 128
问题是,我尝试了其他批量大小、其他隐藏维度、10K 行、15K 行、25K 行和现在 50K 行的数据集。但是,总是存在过度拟合,我不知道为什么。
test_size = 0.2
和validation_split=0.2
。_ 这些是我没有改变的唯一参数。
我还确保数据集正确构建。
我唯一的想法是尝试另一个验证拆分,也许0.33
不是0.2
.
我不知道cross-validation
会不会有帮助。
也许有人有更好的主意,我可以尝试。提前致谢。
解决方案
正如 kvish 建议的那样,dropout 是一个很好的解决方案。
我首先尝试使用 0.2 的 dropout。
model = Sequential()
model.add(Bidirectional(GRU(hidden_size, return_sequences=True, dropout=0.2), merge_mode='concat',
input_shape=(None, input_size))) # Encoder
model.add(Attention())
model.add(RepeatVector(max_out_seq_len))
model.add(GRU(hidden_size * 2, return_sequences=True)) # Decoder
model.add(TimeDistributed(Dense(units=output_size, activation="softmax")))
model.compile(loss="categorical_crossentropy", optimizer="rmsprop", metrics=['accuracy'])
对于 50K 行,它可以工作,但仍然存在过度拟合。
所以,我尝试了 0.33 的 dropout,并且效果很好。
推荐阅读
- c - 父进程如何将子进程退出码转换为状态码?
- python - USE_THOUSAND_SEPARATOR 仅适用于模型 Django 的选定字段
- python - 已安装 OpenCV 但导入时仍找不到
- java - 使用java 8对类型列表的哈希映射值进行排序
- html - Angular - 打开/关闭状态的 ng-Template 动画
- symfony - 学说水合物未映射领域
- python - 带有应用程序工厂方法的 Flask-Security RecursionError
- regex - 寻找正则表达式或替代方法来指定某些语法
- tensorflow - 分析 python-tensorflow-1.14
- sql - 聚合函数选择