SE_BOKUのまとめノート的ブログ

SE_BOKUが知ってること・勉強したこと・考えたことetc

過学習抑制「Weight Decay」はSGDと相性が良く、Adamと良くない?/ニューラルネットワーク

f:id:arakan_no_boku:20190326212937j:plain

 目次

過学習の抑制手法「Weight Decay」

過学習というのは、学習(訓練)データに適合しすぎて、学習(訓練)データと異なるデータでの正解率が低くなってしまうことです。 

正解率をあげるためには、過学習をなんらかの方法で抑制する必要があります。

Weight Decayはその過学習の抑制手法のひとつです。

Weight Decay は直訳すると「荷重減衰」です。 

過学習は重み(Weight)が大きな値をもつことで発生することが多いということから、学習過程で重み(Weight)が大きくならないようにペナルティ(なんらかの値を加算するなど)を課す方法で抑制しようとするのが、Weight Decayの考え方です。

 

Weight Decayのペナルティの値は係数をかけ合わせたもの 

じゃあ、そのなんらかの値は何か。 

いくつか方法はあるみたいですが、よく使われているのが「重みの各要素の二乗を足し合わせたもの」に任意の係数をかけ合わせたものです。 

この「重みの各要素の二乗を足し合わせたもの」をペナルティに使う方法を「L2ノルム正規化=L2正規化」と呼びます。 

 

Weight Decayの係数の適切な初期値は?

書籍とかによっても、この係数についてはバラバラです。 

0.1くらいを設定・・という人もあれば、0.0000001位が最適だったなんて人もいる。 

仕方ないので、ちょこちょこ試しながら、様子を見てます。 

僕は、「0.0001」から始めることが、最近は多いです。 

経験的にベストでないにしても、割合ベターな結果が期待できる感じだからというだけのうすーい根拠しかありませんが。

本格的にやるなら、ベイズ最適化などハイパーパラメータの自動最適化で求めるなどの手法があるみたいですが、趣味でやってる人間にとっては大げさです。

qiita.com 

 

Neural Network Console(NNC)で確認

今回はNeural Network Console(NNC)を使って確かめてみようと思います。

 

NNCリファレンスの記載

リファレンスを確認します。 

Weight Decayという項目は、Neural Network ConsoleのConfigタブのOptimizerのところにあります。

リファレンスを見てみると説明はあります。

support.dl.sony.com

書いてあるのはたったの2行。

4 Weight Decay(L2正則化)の強度を設定するにはWeight DecayにWeight Decayの係数を指定します。

まんまです。

 

Weight Decayの係数の適切な値とは

Neural Network ConsoleのConfig画面で、係数を指定します。

f:id:arakan_no_boku:20180412235717j:plain

とりあえず、今までの説明を参考に、僕の目安値「0.0001」を設定します。

 

Weight DecayとOptimizerとの相性

Neural Network Consoleで実行するとき、気になるのはのOptimizerとの相性です。

Neural Network Consoleのデフォルトは「Adam」です。 

Adamは収束が速く、とりあえず選択して問題がないOptimizerです。

でも、「学習データと異なるデータでの正解率をあげる=汎化」目的で、Weight Decayを使うときには、Adamはベストチョイスといえないようです。 

こちらのTweetに貼ってあるリンク(論文のPDF)にその理由が説明されています。

簡単に言うなら、Weight Decayの係数を0以外に変更しても、Adamを使っている限り、過学習の傾向があまり改善しないようなのです。

実際に足ししていきます。 

 

Optimizer「Adam」で確認する

学習した結果が、こういうグラフになっているCNNのネットワークを題材にします。 

f:id:arakan_no_boku:20180414004750j:plain

Traiingエラー(赤の実線)がきれいに収束しているのに、Validationエラー(赤の点線)が途中から逆に増加して、どんどん離れていってます。 

もう、典型的な過学習の状態です。 

なので、評価した結果のAccuracyも「97.65%」と、かなり低めです。

f:id:arakan_no_boku:20180414005126j:plain 

 

ここに、OptimizerはAdamのままで、Weight Decayの係数を「0.0001」にしてみます。

f:id:arakan_no_boku:20180413231926j:plain

 結果はどうかというと、改善はされます。 

でも、形的にあまり変わりませんし、過学習の傾向は残ったままです。

f:id:arakan_no_boku:20180413232737j:plain

f:id:arakan_no_boku:20180413232758j:plain

 

Optimizer「Sgd」で確認する

OptimizerのUpdaterを「sgd」に変更してみます。

f:id:arakan_no_boku:20180413233252j:plain

 それ以外はまったく同じです。  

そうすると学習結果のグラフの形が劇的に変わります。

f:id:arakan_no_boku:20180414005636j:plain

traiingエラーとValidationエラーの差がほぼありません。 

かなりいい感じで汎化できていると期待できます。 

ただ、残念ながら「SGDは収束が遅い」ので、50epochでは収束しきっていません。 

そのため、epoch数を増やして再チャレンジして、最終的にはここまでいきました。

f:id:arakan_no_boku:20180414002910j:plain

いまいちですけど、過学習抑制効果は確認できた気はします。

 

まとめ:SGDと相性が良く、Adamと良くない

まとめると。 

Weight decayの値を0以外(例えば 0.0001等)にすると、L2正規化が働いて、過学習の抑制効果がありますが、Optimizerタブで「Adam」を選択していると、相性の問題で、あまり過学習抑制効果がないように見えました。 

他はまったく同じ状態で、mOptimizerタブを「sgd」に変更するだけで、Weight decayの汎化効果が有効に働いているように見えるのも確認できました。

なので、Weight decayによる過学習抑制という手法は、SGDと相性が良く、Adamと良くないということは言えるだろう。

それが、今回の僕の結論です。

あくまで、個人的にちょっと試しただけの結論ですけどね。

ただ、こういうのも「引き出し」にはなるので、まあOKかなと思います。

今回はこんなところで。

ではでは。