过拟合的应对方法——weight_decay

权重衰退是最广泛使用的正则化方法之一。

模型容量受参数个数和参数范围影响，通过L2正则项限制w的取值范围，权重w每次更新乘以小于1的数，w的数值范围不会太大，从而降低模型复杂度，减轻过拟合风险。

两种方法：

一、使用正则项权重超参数lambd。

lambd为0，w的L2范式很大，无作用。lambd趋近无穷大，w的L2范式很少，参数w趋近于0。通过增加lambd，w的取值减小，让模型不那么复杂。

# 定义l2范式惩罚
def l2_penalty(w):
   return torch.sum(w.pow(2)) / 2

# 超参数lambd加入损失函数
l = loss(net(X), y) + lambd * l2_penalty(w)

二、在优化器中设置weight_decay参数。常用框架都包含该参数，在更新梯度前对w进行衰减。

总结：调大lambd，w减少，减轻过拟合

当lambd很大，欠拟合

问题：

1.为什么模型参数范围大模型复杂度高？

如下图需要模拟红色的点。如果我们让模型参数取很大的数值，可以用很复杂的模型来拟合红色的点，如果是二次或者三次函数，权重取的很大或者很小，可以造成一个非常不平滑的曲线。如果对模型取值限定在一个范围，不让学习复杂的模型，就会选择比较平滑的模型，例图中绿色的曲线。

2.实际中权重参数一般多少？

常用值：1的-3次方=0.001，1的-4次方=0.0001