Pytorch全连接网络：激活函数对一维拟合问题的影响探讨；网络加深后带来的loss不降问题

Posted 2022-08-12 无知的吱屋

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Pytorch全连接网络：激活函数对一维拟合问题的影响探讨；网络加深后带来的loss不降问题相关的知识，希望对你有一定的参考价值。

一、简单讨论激活函数对拟合问题的影响

最近在学习全连接网络，希望利用全连接网络实现拟合或者插值问题。即给定一些已知的散点，想要利用全连接网络，输入一个x,相应地网络会输出一个y,利用已知散点的真实值计算MSELoss,从而逼近已知点。

网络的结构很简单，利用了两层线性层，中间加不同的激活函数（代码显示的是ReLU）：

class DNN(nn.Module):
    def __init__(self):
        super().__init__()
        layers =  [1,50,1]
        self.layer1 = nn.Linear(layers[0],layers[1])
        self.layer2 = nn.Linear(layers[1],layers[2])
        self.relu = nn.ReLU()
    def forward(self,d):
        d1 = self.layer1(d)
        d1 = self.relu(d1)
        d2 = self.layer2(d1)
        return d2

我用的例子是sin(x),在-π到π的50个点中随机取10个，作为我们的训练数据[x,y]：

x = np.linspace(-np.pi,np.pi).astype(np.float32)
y = np.sin(x)
#随机取十个点
x_train = random.sample(x.tolist(),10)
y_train = np.sin(x_train)
plt.scatter(x_train,y_train,c="r")
plt.plot(x,y)

随机点的位置如下：

设定一些参数，比如迭代10000次，学习率调成0.1等，每次只从训练数据中输入一个。以下是不同激活函数的训练结果：

从以上结果我们可以得到一些不太准确的粗略讨论：

（1）不同的激活函数对输出的影响是不同的。

（2）LeakyReLU我不确定为什么会出现右边界严重脱离的情况，对结果影响比较严重。

（3）就平滑度而言，直观感受是ELU和Sigmoid会更加平滑，Tanh会出现尖灭点，这和数据点位置也有一定的关系。而ReLU整体直线的拼接感会比较重。

（4）就拟合程度而言，不论是哪一种激活函数，都没有办法保证已知点很好地落在预测曲线上，增加神经元的个数或许会有更好的效果。就这点而言，Tanh表现要更好一点。

二、网络加深的问题

以上是对于两层简单网络不同激活函数的探讨，接下来我想聊聊把网络加深对结果带来的影响。我们知道，如果是拟合问题，我们希望预测出来的整体曲线是平滑且符合大致趋势的，但是如果是插值问题，我们更希望看到已知的数据点是在我们预测的曲线上面的，由于loss几乎不可能完全为0，所以我们想要尽可能地让它收敛，哪怕是达到过拟合的情况。

于是我把网络该成立四层的全连接，中间用不同的激活函数进行非线性映射：

class DNN(nn.Module):
    def __init__(self):
        super().__init__()
        layers =  [1,50,25,12,1]
        self.layer1 = nn.Linear(layers[0],layers[1])
        self.layer2 = nn.Linear(layers[1],layers[2])
        self.layer3 = nn.Linear(layers[2],layers[3])
        self.layer4 = nn.Linear(layers[3],layers[4])
        self.elu = nn.ELU()
    def forward(self,d):
        d1 = self.elu(self.layer1(d ))
        d2 = self.elu(self.layer2(d1))
        d3 = self.elu(self.layer3(d2))
        d4 = self.layer4(d3)

        return d4

结果如下：