21 调优技巧

查看大图

TensorFlow 学习要把张量、模型、训练和部署放在一条线上，而不是只看单段代码。阅读时可以按「超参数调优 -> 网格搜索 -> 随机搜索 -> 正则化」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「超参数调优」，再查「网格搜索」。

在上一章中，我们讨论了模型评估方法，了解了如何通过各种指标来衡量模型的性能。在这一章，我们将探索模型的调优技巧，以进一步提高模型的准确性和鲁棒性。模型调优可以帮助我们更好地利用数据，改善模型在未知数据上的表现。让我们深入研究一些常用的调优技巧。

1. 超参数调优

超参数是指在训练过程开始之前设置的参数，例如学习率、批量大小和网络结构等。超参数的选择对模型的最终性能有很大影响。以下是一些常用的超参数调优策略：

查看大图

调优 TensorFlow 模型时，先看学习率、batch size、正则化、数据增强、回调监控和验证曲线。

网格搜索

网格搜索是一种常用的超参数调优方法，它通过指定超参数的范围并遍历所有可能的组合来寻找最佳超参数。下面是一个简单的示例：

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

# 指定超参数范围
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 10, 20, 30]
}

# 创建随机森林分类器
rf = RandomForestClassifier()

# 进行网格搜索
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳超参数
print("Best parameters: ", grid_search.best_params_)

随机搜索

随机搜索通过随机选择超参数组合进行评估，相较于网格搜索，它可能更加高效。下面是一个使用 RandomizedSearchCV 的示例：

from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import uniform

# 定义超参数范围
param_distributions = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': uniform(0.01, 0.2)
}

# 创建随机森林分类器
rf = RandomForestClassifier()

# 进行随机搜索
random_search = RandomizedSearchCV(estimator=rf, param_distributions=param_distributions, n_iter=100, cv=5, random_state=42)
random_search.fit(X_train, y_train)

# 输出最佳超参数
print("Best parameters: ", random_search.best_params_)

2. 正则化

正则化是防止模型过拟合的重要技术。典型的正则化方法包括 L1 正则化（Lasso）和 L2 正则化（Ridge）。我们可以通过增加正则化项来控制模型复杂度。以下是 L2 正则化的示例代码：

查看大图

读完《调优技巧》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。

from tensorflow import keras
from tensorflow.keras import layers

# 构建模型
model = keras.Sequential([
    layers.Dense(64, activation='relu', kernel_regularizer=keras.regularizers.l2(0.01), input_shape=(input_dim,)),
    layers.Dense(1)
])

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=10, batch_size=32)

3. 提前停止

提前停止是一种有效的防止过拟合的方法。当验证集的性能不再提高时，我们可以停止训练。下面是一个使用 ModelCheckpoint 和 EarlyStopping 回调的示例：

from tensorflow.keras.callbacks import EarlyStopping

# 定义提前停止
early_stopping = EarlyStopping(monitor='val_loss', patience=5)

# 训练模型
model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=50, batch_size=32, callbacks=[early_stopping])

4. 数据增强

在计算机视觉领域，数据增强是一种生成更多样本的有效方法，可以减轻过拟合问题。通过对训练图像进行随机旋转、缩放或翻转等操作，我们可以扩展训练集。以下是 Keras 中数据增强的示例：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 创建数据增强实例
datagen = ImageDataGenerator(rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2,
                             zoom_range=0.2, horizontal_flip=True, fill_mode='nearest')

# 生成增强后的图像
datagen.fit(X_train)

# 在训练模型时使用数据生成器
model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=50)

5. 集成学习

集成学习的思想是将多个模型的预测结果组合起来，以提高性能。例如，我们可以使用 bagging 或 boosting 方法。下面是一个使用 VotingClassifier 的示例：

from sklearn.ensemble import VotingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier

# 创建基学习器
log_clf = LogisticRegression()
tree_clf = DecisionTreeClassifier()

# 创建投票分类器
voting_clf = VotingClassifier(estimators=[('lr', log_clf), ('dt', tree_clf)], voting='soft')
voting_clf.fit(X_train, y_train)

查看大图

复习《调优技巧》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《调优技巧》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

总结

在本节中，我们讨论了多种调优技巧，包括超参数调优、正则化、提前停止、数据增强和集成学习。通过以上这些技术，我们可以有效提高模型性能，改善在未知数据上的泛化能力。在下一章中，我们将进入深度学习进阶的内容，探索深度学习中的常见模型和应用。

通过持续实践这些调优技巧，你将会在实际应用中获得更好的模型表现，期待在下一章中与大家的再次相见！