新书速览|PyTorch深度学习与企业级项目实战-CSDN博客

随着迭代次数的增加，我们可以发现测试数据的loss值和训练数据的loss值存在着巨大的差距， 如图4-8所示，随着迭代次数的增加，training loss越来越好，但test loss却越来越差，test loss 和 training loss的差距越来越大，模型开始过拟合。过拟合会导致模型在训练集上的表现很好，但针对验证集或测试集，表现却大打折扣。

图4-8

如图4-9所示，Dropout是指在深度学习网络的训练过程中，按照一定的概率将一部分神经网络单元暂时从网络中丢弃，相当于从原始的网络中找到一个更瘦的网络，从而解决过拟合问题。

图4-9

做个类比，无性繁殖可以保留大段的优秀基因，而有性繁殖则将基因随机拆了又拆，破坏了大段基因的联合适应性，但是自然选择中选择了有性繁殖，“物竞天择，适者生存”，可见有性繁殖的强大。Dropout 也能达到同样的效果，它强迫一个神经元和随机挑选出来的其他神经元共同工作，消除并减弱了神经元节点间的联合适应性，增强了泛化能力。

如果一个公司的员工每天早上都是扔硬币决定今天去不去上班，那么这个公司会运作良好吗？这并非没有可能，这意味着任何重要的工作都会有替代者，不会只依赖于某一个人。同样员工也会学会和公司内各种不同的人合作，而不是每天面对固定的人，每个员工的能力也会得到提升。这个想法虽然不见得适用于企业管理，但却绝对适用于神经网络。

在进行Dropout后，一个神经元不得不与随机挑选出来的其他神经元共同工作，而不是原先一些固定的周边神经元。这样经过几轮训练，这些神经元的个体表现力大大增强，同时也减弱了神经元节点间的联合适应性，增强了泛化能力。我们知道通常是在训练神经网络的时候使用Dropout，这样会降低神经网络的拟合能力，而在预测的时候则关闭Dropout。这就好像在练轻功的时候在脚上绑着很多重物，但是在真正和别人打的时候会把重物全拿走，这样一下子就感觉变强了很多。