感谢伯禹学习平台，本次学习将记录记录如何使用Pytorch高效实现网络，熟练掌握Pytorch的基础知识,记录不包含理论知识的细节展开。

一：过拟合与欠拟合

模型训练中经常出现的两类典型问题：

• 一类是模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）；
• 另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。

Pytorch 如何应对过拟合

• 权重衰减：在pytorch 中的optim使用weight_decay可以指定权重衰减因子，引入正则化

import torch
optimizer_w = torch.optim.SGD(params=[net.weight], lr=lr, weight_decay=wd) 

• 随机丢弃（Dropout）Pytorch中可以直接使用封装号的Dropout

import torch.nn as nn
nn.Dropout(drop_p)

Pytorch 如何应对欠拟合

• 增加模型复杂度
• 提高输入特征

二：梯度消失与梯度爆炸

以下内容来自伯禹学习平台教学内容

当神经网络的层数较多时，模型的数值稳定性容易变差。

假设一个层数为的多层感知机的第层的权重参数为，输出层的权重参数为。为了便于讨论，不考虑偏差参数，且设所有隐藏层的激活函数为恒等映射（identity mapping）。给定输入，多层感知机的第层的输出。此时，如果层数较大，的计算可能会出现衰减或爆炸。举个例子，假设输入和所有层的权重参数都是标量，如权重参数为0.2和5，多层感知机的第30层输出为输入分别与（消失）和（爆炸）的乘积。当层数较多时，梯度的计算也容易出现消失或爆炸。

PyTorch的默认随机初始化

随机初始化模型参数的方法有很多。在线性回归的简洁实现中，我们使用torch.nn.init.normal_()使模型net的权重参数采用正态分布的随机初始化方式。不过，PyTorch中nn.Module的模块参数都采取了较为合理的初始化策略（不同类型的layer具体采样的哪一种初始化方法的可参考源代码），因此一般不用我们考虑。