python划分训练集和验证集脚本 训练集验证集划分比例

深度学习的实践层面

• 1. 训练、验证、测试集
• 2. 正则化和Dropout法
• 3. 梯度检验
• 4. 梯度检验应用的注意事项

1. 训练、验证、测试集

在机器学习中，我们通常将样本分成训练集，验证集和测试集三部分

• 数据集规模相对较小（万，数量级），适用传统的划分比例，60%训练，20%验证和 20%测 试集
• 数据集规模较大的（百万，数量级），验证集和测试集要小于数据总量的 20%或 10%。假设我们有 100 万条数据，其中 1 万条作为验证集，1 万条作为测试集， 100 万里取 1 万，比例是 1%，即：训练集占 98%，验证集和测试集各占 1%。

2. 正则化和Dropout法

• dropout法（随机失活），即以一定概率保留或消除网络中的节点
• dropout 的功能类似于?2正则化，与?2正则化不同的是，被应用的方式不同， dropout 也会有所不同，甚至更适用于不同的输入范围。
• dropout在计算机视觉中应用广泛，由于计算视觉中的输入量非常大，输入太多像素，以至于没有足够的数据，所以一直存在过拟合，
• dropout 一大缺点就是代价函数 $J$ 不再被明确定义
  - 解决方法：通常会关闭 dropout 函数，将 keepprob 的值设为 1，运行代码，确保?函数单调递减。然后打开 dropout 函数，希望在 dropout 过程中，代码并未引入 bug。

3. 梯度检验

假设神经网络中含有下列参数，$W^{[1]}$和$b^{[1]}$……$W^{[l]}$和$b^{[l]}$：

• 首先把矩阵$W$转换成一个向量，把所有$W$矩阵转换成向量之后，做连接运算，得到一个巨型向量$\theta$，得到了$\theta$的代价函数$J$（即$J(\theta)$）。
• 接着，得到与$W$和$b$顺序相同的数据，同样把$dW^{[1]}$和${db}^{[1]}$……${dW}^{[l]}$和${db}^{[l]}$转换成一个新的向量，用它们来初始化大向量$d\theta$，它与$\theta$具有相同维度。
• 循环执行，对每个$i$也就是对每个$\theta$组成元素计算$d\theta_{\text{approx}}[i]$的值，使用双边误差，也就是
  $d\theta_{\text{approx}}\left[i \right] = \frac{J\left( \theta_{1},\theta_{2},\ldots\theta_{i} + \varepsilon,\ldots \right) - J\left( \theta_{1},\theta_{2},\ldots\theta_{i} - \varepsilon,\ldots \right)}{2\varepsilon}$
• 验证两个向量的接近程度，即$d\theta_{\text{approx}}$与$d\theta$两个向量
  $check:\,\,\,\,\,\,\,\,\,\,\frac{{||d\theta_{\text{approx}} -d\theta||}_{2}}{{||d\theta_{\text{approx}} ||}_{2}+{||d\theta||}_{2}}$
  注意这里（${||d\theta_{\text{approx}} -d\theta||}_{2}$）没有平方，它是误差平方之和，然后求平方根，得到欧式距离，然后用向量长度归一化，使用向量长度的欧几里得范数。

• 如果它的值为$10^{-7}$或更小，意味着导数逼近很有可能是正确的。
• 如果它的值在$10^{-5}$范围内，就要小心了，也许这个值没问题，但要再次检查这个向量的所有项，确保没有一项误差过大，可能这里有bug。
• 如果它的值比$10^{-3}$大很多，这时应该仔细检查所有$\theta$项，看是否有一个具体的$i$值，使得$d\theta_{\text{approx}}\left[i \right]$与$ d\theta[i]$大不相同，并用它来追踪一些求导计算是否正确，经过一些调试，最终结果会是这种非常小的值（$10^{-7}$）才可以认为没问题。

4. 梯度检验应用的注意事项

• 不要在训练中使用梯度检验，它只用于调试。
• 如果算法的梯度检验失败，要检查所有项，检查每一项，并试着找出bug。
• 在实施梯度检验时，如果使用正则化，请注意正则项。如果代价函数$J(\theta) = \frac{1}{m}\sum_{}^{}{L(\hat y^{(i)},y^{(i)})} + \frac{\lambda}{2m}\sum_{}^{}{||W^{[l]}||}^{2}$，则在检验时需要包含正则项。
• 梯度检验不能与dropout同时使用。建议关闭dropout，用梯度检验进行双重检查，在没有dropout的情况下，保证算法至少是正确的，然后打开dropout。