深度學習中Dropout原理解析

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

目錄：

1. Dropout簡介

 1.1 Dropout出現(xiàn)的原因

 1.2 什么是Dropout

2. Dropout工作流程及使用

 2.1 Dropout具體工作流程

 2.2 Dropout在神經(jīng)網(wǎng)絡中的使用

3. 為什么說Dropout可以解決過擬合

4. Dropout在Keras中的源碼分析

1. Dropout簡介

1.1 Dropout出現(xiàn)的原因

在機器學習的模型中，如果模型的參數(shù)太多，而訓練樣本又太少，訓練出來的模型很容易產(chǎn)生過擬合的現(xiàn)象。在訓練神經(jīng)網(wǎng)絡的時候經(jīng)常會遇到過擬合的問題，過擬合具體表現(xiàn)在：模型在在訓練數(shù)據(jù)上損失函數(shù)較小，預測準確率較高；但是在測試數(shù)據(jù)上損失函數(shù)比較大，預測準確率較低。

過擬合是很多機器學習的通病。如果模型過擬合，那么得到的模型幾乎不能用。為了解決過擬合問題，一般會采樣模型集成的方法，即訓練多個模型進行組合。此時，訓練模型費時就成為一個很大的問題，不僅訓練多個模型費時，測試多個模型也是很費時。

綜上所述，訓練深度神經(jīng)網(wǎng)絡的時候，總是會遇到兩大缺點：

(1) 容易過擬合

(2) 費時

Dropout可以比較有效的緩解過擬合的發(fā)生，在一定程度上達到正則化的效果。

1.2 什么是Dropout

在2012年，Hinton在其論文《Improving neural networks by preventing co-adaptation of feature detectors》中提出Dropout。當一個復雜的前饋神經(jīng)網(wǎng)絡被訓練在小的數(shù)據(jù)集時，容易造成過擬合。為了防止過擬合，可以通過阻止特征檢測器的共同作用來提高神經(jīng)網(wǎng)絡的性能。

在2012年，Alex、Hinton在其論文《ImageNet Classification with Deep Convolutional Neural Networks》中用到了Dropout算法，用于防止過擬合。并且，這篇論文提到的AlexNet網(wǎng)絡模型引爆了神經(jīng)網(wǎng)絡應用熱潮，并贏得了2012年圖像識別大賽冠軍，使得CNN成為圖像分類上的核心算法模型。

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

從上面的論文中，我們能感受到Dropout在深度學習中的重要性。那么，到底什么是Dropout呢？

Dropout可以作為訓練深度神經(jīng)網(wǎng)絡的一種trick供選擇。在每個訓練批次中，通過忽略一半的特征檢測器（讓一半的隱層節(jié)點值為0），可以明顯地減少過擬合現(xiàn)象。這種方式可以減少特征檢測器（隱層節(jié)點）間的相互作用，檢測器相互作用是指某些檢測器依賴其他檢測器才能發(fā)揮作用。

Dropout說的簡單一點就是：我們在前向傳播的時候，讓某個神經(jīng)元的激活值以一定的概率p停止工作，這樣可以使模型泛化性更強，因為它不會太依賴某些局部的特征，如圖1所示。

圖1：使用Dropout的神經(jīng)網(wǎng)絡模型

2. Dropout工作流程及使用

2.1 Dropout具體工作流程

假設我們要訓練這樣一個神經(jīng)網(wǎng)絡，如圖2所示。

圖2：標準的神經(jīng)網(wǎng)絡

輸入是x輸出是y，正常的流程是：我們首先把x通過網(wǎng)絡前向傳播，然后把誤差反向傳播以決定如何更新參數(shù)讓網(wǎng)絡進行學習。使用Dropout之后，過程變成如下：

(1) 首先隨機（臨時）刪掉網(wǎng)絡中一半的隱藏神經(jīng)元，輸入輸出神經(jīng)元保持不變（圖3中虛線為部分臨時被刪除的神經(jīng)元）

圖3：部分臨時被刪除的神經(jīng)元

(2) 然后把輸入x通過修改后的網(wǎng)絡前向傳播，然后把得到的損失結(jié)果通過修改的網(wǎng)絡反向傳播。一小批訓練樣本執(zhí)行完這個過程后，在沒有被刪除的神經(jīng)元上按照隨機梯度下降法更新對應的參數(shù)（w，b）。

(3) 然后繼續(xù)重復這一過程：

• 恢復被刪掉的神經(jīng)元（此時被刪除的神經(jīng)元保持原樣，而沒有被刪除的神經(jīng)元已經(jīng)有所更新）。

• 從隱藏層神經(jīng)元中隨機選擇一個一半大小的子集臨時刪除掉（備份被刪除神經(jīng)元的參數(shù)）。

• 對一小批訓練樣本，先前向傳播然后反向傳播損失并根據(jù)隨機梯度下降法更新參數(shù)（w，b） （沒有被刪除的那一部分參數(shù)得到更新，刪除的神經(jīng)元參數(shù)保持被刪除前的結(jié)果）。

不斷重復這一過程。

2.2 Dropout在神經(jīng)網(wǎng)絡中的使用

Dropout的具體工作流程上面已經(jīng)詳細的介紹過了，但是具體怎么讓某些神經(jīng)元以一定的概率停止工作（就是被刪除掉）？代碼層面如何實現(xiàn)呢？

下面，我們具體講解一下Dropout代碼層面的一些公式推導及代碼實現(xiàn)思路。

(1) 在訓練模型階段

無可避免的，在訓練網(wǎng)絡的每個單元都要添加一道概率流程。

圖4：標準網(wǎng)絡和帶有Dropout網(wǎng)絡的比較

對應的公式變化如下：

• 沒有Dropout的網(wǎng)絡計算公式：

• 采用Dropout的網(wǎng)絡計算公式：

上面公式中Bernoulli函數(shù)是為了生成概率r向量，也就是隨機生成一個0、1的向量。

代碼層面實現(xiàn)讓某個神經(jīng)元以概率p停止工作，其實就是讓它的激活函數(shù)值以概率p變?yōu)?。比如我們某一層網(wǎng)絡神經(jīng)元的個數(shù)為1000個，其激活函數(shù)輸出值為y1、y2、y3、......、y1000，我們dropout比率選擇0.4，那么這一層神經(jīng)元經(jīng)過dropout后，1000個神經(jīng)元中會有大約400個的值被置為0。

注意： 經(jīng)過上面屏蔽掉某些神經(jīng)元，使其激活值為0以后，我們還需要對向量y1……y1000進行縮放，也就是乘以1/(1-p)。如果你在訓練的時候，經(jīng)過置0后，沒有對y1……y1000進行rescale，那么在測試的時候，就需要對權(quán)重進行縮放，操作如下。

（2）在測試模型階段

預測模型的時候，每一個神經(jīng)單元的權(quán)重參數(shù)要乘以概率p。

圖5：預測模型時Dropout的操作

測試階段Dropout公式：

3. 為什么說Dropout可以解決過擬合？

（1）取平均的作用： 先回到標準的模型即沒有dropout，我們用相同的訓練數(shù)據(jù)去訓練5個不同的神經(jīng)網(wǎng)絡，一般會得到5個不同的結(jié)果，此時我們可以采用 “5個結(jié)果取均值”或者“多數(shù)取勝的投票策略”去決定最終結(jié)果。例如3個網(wǎng)絡判斷結(jié)果為數(shù)字9,那么很有可能真正的結(jié)果就是數(shù)字9，其它兩個網(wǎng)絡給出了錯誤結(jié)果。這種“綜合起來取平均”的策略通常可以有效防止過擬合問題。因為不同的網(wǎng)絡可能產(chǎn)生不同的過擬合，取平均則有可能讓一些“相反的”擬合互相抵消。dropout掉不同的隱藏神經(jīng)元就類似在訓練不同的網(wǎng)絡，隨機刪掉一半隱藏神經(jīng)元導致網(wǎng)絡結(jié)構(gòu)已經(jīng)不同，整個dropout過程就相當于對很多個不同的神經(jīng)網(wǎng)絡取平均。而不同的網(wǎng)絡產(chǎn)生不同的過擬合，一些互為“反向”的擬合相互抵消就可以達到整體上減少過擬合。

（2）減少神經(jīng)元之間復雜的共適應關系： 因為dropout程序?qū)е聝蓚€神經(jīng)元不一定每次都在一個dropout網(wǎng)絡中出現(xiàn)。這樣權(quán)值的更新不再依賴于有固定關系的隱含節(jié)點的共同作用，阻止了某些特征僅僅在其它特定特征下才有效果的情況 。迫使網(wǎng)絡去學習更加魯棒的特征 ，這些特征在其它的神經(jīng)元的隨機子集中也存在。換句話說假如我們的神經(jīng)網(wǎng)絡是在做出某種預測，它不應該對一些特定的線索片段太過敏感，即使丟失特定的線索，它也應該可以從眾多其它線索中學習一些共同的特征。從這個角度看dropout就有點像L1，L2正則，減少權(quán)重使得網(wǎng)絡對丟失特定神經(jīng)元連接的魯棒性提高。

（3）Dropout類似于性別在生物進化中的角色：物種為了生存往往會傾向于適應這種環(huán)境，環(huán)境突變則會導致物種難以做出及時反應，性別的出現(xiàn)可以繁衍出適應新環(huán)境的變種，有效的阻止過擬合，即避免環(huán)境改變時物種可能面臨的滅絕。

4. Dropout在Keras中的源碼分析

下面，我們來分析Keras中Dropout實現(xiàn)源碼。

Keras開源項目GitHub地址為：

https://github.com/fchollet/keras/tree/master/keras

其中Dropout函數(shù)代碼實現(xiàn)所在的文件地址：

https://github.com/fchollet/keras/blob/master/keras/backend/theano_backend.py

Dropout實現(xiàn)函數(shù)如下：

圖6：Keras中實現(xiàn)Dropout功能

我們對keras中Dropout實現(xiàn)函數(shù)做一些修改，讓dropout函數(shù)可以單獨運行。

# coding:utf-8
import numpy as np
 
# dropout函數(shù)的實現(xiàn)
def dropout(x, level):
    if level < 0. or level >= 1: #level是概率值，必須在0~1之間
        raise ValueError('Dropout level must be in interval [0, 1[.')
    retain_prob = 1. - level
    # 我們通過binomial函數(shù)，生成與x一樣的維數(shù)向量。binomial函數(shù)就像拋硬幣一樣，我們可以把每個神經(jīng)元當做拋硬幣一樣
    # 硬幣 正面的概率為p，n表示每個神經(jīng)元試驗的次數(shù)
    # 因為我們每個神經(jīng)元只需要拋一次就可以了所以n=1，size參數(shù)是我們有多少個硬幣。
    random_tensor = np.random.binomial(n=1, p=retain_prob, size=x.shape) #即將生成一個0、1分布的向量，0表示這個神經(jīng)元被屏蔽，不工作了，也就是dropout了
    print(random_tensor)
    x *= random_tensor
    print(x)
    x /= retain_prob
    return x
 
#對dropout的測試，大家可以跑一下上面的函數(shù)，了解一個輸入x向量，經(jīng)過dropout的結(jié)果
x=np.asarray([1,2,3,4,5,6,7,8,9,10],dtype=np.float32)
dropout(x,0.4)

函數(shù)中，x是本層網(wǎng)絡的激活值。Level就是dropout就是每個神經(jīng)元要被丟棄的概率。

注意： Keras中Dropout的實現(xiàn)，是屏蔽掉某些神經(jīng)元，使其激活值為0以后，對激活值向量x1……x1000進行放大，也就是乘以1/(1-p)。

思考：上面我們介紹了兩種方法進行Dropout的縮放，那么Dropout為什么需要進行縮放呢？

因為我們訓練的時候會隨機的丟棄一些神經(jīng)元，但是預測的時候就沒辦法隨機丟棄了。如果丟棄一些神經(jīng)元，這會帶來結(jié)果不穩(wěn)定的問題，也就是給定一個測試數(shù)據(jù)，有時候輸出a有時候輸出b，結(jié)果不穩(wěn)定，這是實際系統(tǒng)不能接受的，用戶可能認為模型有預測不準。那么一種”補償“的方案就是每個神經(jīng)元的權(quán)重都乘以一個p，這樣在“總體上”使得測試數(shù)據(jù)和訓練數(shù)據(jù)是大致一樣的。比如一個神經(jīng)元的輸出是x，那么在訓練的時候它有p的概率參與訓練，(1-p)的概率丟棄，那么它輸出的期望是 px+ (1-p) 0=px。因此測試的時候把這個神經(jīng)元d的權(quán)重乘以p可以得到同樣的期望。

總結(jié)：

當前Dropout被大量利用于全連接網(wǎng)絡，而且一般認為設置為0.5或者0.3，而在卷積網(wǎng)絡隱藏層中由于卷積自身的稀疏化以及稀疏化的ReLu函數(shù)的大量使用等原因，Dropout策略在卷積網(wǎng)絡隱藏層中使用較少。總體而言，Dropout是一個超參，需要根據(jù)具體的網(wǎng)絡、具體的應用領域進行嘗試。

好消息！
小白學視覺知識星球
開始面向外開放啦??????



下載1：OpenCV-Contrib擴展模塊中文版教程
在「小白學視覺」公眾號后臺回復：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講
在「小白學視覺」公眾號后臺回復：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講
在「小白學視覺」公眾號后臺回復：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學習進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~