我们真的需要把训练集的损失降到零吗？

在训练模型的时候，我们需要将损失函数一直训练到0吗？显然不用。一般来说，我们是用训练集来训练模型，但希望的是验证机的损失越小越好，而正常来说训练集的损失降到一定值后，验证集的损失就会开始上升，因此没必要把训练集的损失降低到0

既然如此，在已经达到了某个阈值之后，我们可不可以做点别的事情来提升模型性能呢？ICML2020的论文《Do We Need Zero Training Loss After Achieving Zero Training Error?》回答了这个问题，不过实际上它并没有很好的描述"为什么"，而只是提出了"怎么做"

思路描述

论文提供的解决方案非常简单，假设原来的损失函数是 L ( θ ) \mathcal{L}(\theta) L(θ)，现在改为 L ~ ( θ ) \tilde{\mathcal{L}}(\theta) L~(θ)：
L ~ ( θ ) = ∣ L ( θ ) − b ∣ + b (1) \tilde{\mathcal{L}}(\theta)=|\mathcal{L}(\theta)-b|+b\tag{1} L~(θ)=∣L(θ)−b∣+b(1)
其中 b b b是预先设定的阈值。当 L ( θ ) > b \mathcal{L}(\theta)>b L(θ)>b时 L ~ ( θ ) = L ( θ ) \tilde{\mathcal{L}}(\theta)=\mathcal{L}(\theta) L~(θ)=L(θ)，这时就是执行普通的梯度下降；而 L ( θ ) < b \mathcal{L}(\theta)<b L(θ)<b时 L ~ ( θ ) = 2 b − L ( θ ) \tilde{\mathcal{L}}(\theta)=2b-\mathcal{L}(\theta) L~(θ)=2b−L(θ)，注意到损失函数变号了，所以这时候是梯度上升。因此，总的来说就是以 b b b为阈值，低于阈值时反而希望损失函数变大。论文把这个改动称为**“Flooding”**

这样做有什么效果呢？论文显示，在某些任务中，训练集的损失函数经过这样处理后，验证集的损失能出现"二次下降（Double Descent）"，如下图

简单来说，就是最终的验证集效果可能更好一些，原论文的实验结果如下：

个人分析

如何解释这个方法呢？可以想像，当损失函数达到 b b b之后，训练流程大概就是在交替执行梯度下降和梯度上升。直观想的话，感觉一步上升一步下降，似乎刚好抵消了。事实真的如此吗？我们来算一下看看。假设先下降一步后上升一步，学习率为 ε \varepsilon ε，那么：
θ n = θ n − 1 − ε g ( θ n − 1 ) θ n + 1 = θ n + ε g ( θ n ) (2) \begin{aligned}&\theta_n = \theta_{n-1} - \varepsilon g(\theta_{n-1})\\ &\theta_{n+1} = \theta_n + \varepsilon g(\theta_n) \end{aligned}\tag{2} ​θn​=θn−1​−εg(θn−1​)θn+1​=θn​+εg(θn​)​(2)
其中 g ( θ ) = ∇ θ L ( θ ) g(\theta)=\nabla_{\theta}\mathcal{L}(\theta) g(θ)=∇θ​L(θ)，现在我们有
θ n + 1 =   θ n − 1 − ε g ( θ n − 1 ) + ε g ( θ n − 1 − ε g ( θ n − 1 ) ) ≈   θ n − 1 − ε g ( θ n − 1 ) + ε ( g ( θ n − 1 ) − ε ∇ θ g ( θ n − 1 ) g ( θ n − 1 ) ) =   θ n − 1 − ε 2 2 ∇ θ ∥ g ( θ n − 1 ) ∥ 2 (3) \begin{aligned}\theta_{n+1} =&\, \theta_{n-1} - \varepsilon g(\theta_{n-1}) + \varepsilon g\big(\theta_{n-1} - \varepsilon g(\theta_{n-1})\big)\\ \approx&\,\theta_{n-1} - \varepsilon g(\theta_{n-1}) + \varepsilon \big(g(\theta_{n-1}) - \varepsilon \nabla_{\theta} g(\theta_{n-1}) g(\theta_{n-1})\big)\\ =&\,\theta_{n-1} - \frac{\varepsilon^2}{2}\nabla_{\theta}\Vert g(\theta_{n-1})\Vert^2 \end{aligned}\tag{3} θn+1​=≈=​θn−1​−εg(θn−1​)+εg(θn−1​−εg(θn−1​))θn−1​−εg(θn−1​)+ε(g(θn−1​)−ε∇θ​g(θn−1​)g(θn−1​))θn−1​−2ε2​∇θ​∥g(θn−1​)∥2​(3)

最终的结果就是相当于学习率为 ε 2 2 \frac{\varepsilon^2}{2} 2ε2​、损失函数为梯度惩罚 ∥ g ( θ ) ∥ 2 = ∥ ∇ θ L ( θ ) ∥ 2 \Vert g(\theta)\Vert^2 = \Vert \nabla_{\theta} \mathcal{L}(\theta)\Vert^2 ∥g(θ)∥2=∥∇θ​L(θ)∥2的梯度下降。更妙的是，改为"先上升再下降"，其表达式依然是一样的（这不禁让我想起"先涨价10%再降价10%“和"先降价10%再涨价10%的故事”）。因此，平均而言，Flooding对损失函数的改动，相当于在保证了损失函数足够小之后去最小化 ∥ ∇ x L ( θ ) ∥ 2 \Vert \nabla_x \mathcal{L}(\theta)\Vert^2 ∥∇x​L(θ)∥2，也就是推动参数往更平稳的区域走，这通常能提高泛化性（更好地抵抗扰动），因此一定程度上就能解释Flooding有作用的原因了

本质上来讲，这跟往参数里边加入随机扰动、对抗训练等也没什么差别，只不过这里是保证了损失足够小后再加扰动

继续脑洞

想要使用Flooding非常简单，只需要在原有代码基础上增加一行即可

logits = model(x)
loss = criterion(logits, y)
loss = (loss - b).abs() + b # This is it!
optimizer.zero_grad()
loss.backward()
optimizer.step()

有心是用这个方法的读者可能会纠结于 b b b的选择，原论文说 b b b的选择是一个暴力迭代的过程，需要多次尝试

不过笔者倒是有另外一个脑洞： b b b无非就是决定什么时候开始交替训练罢了，那如果我们从一开始就用不同的学习率进行交替训练呢？也就是自始自终都执行
θ n = θ n − 1 − ε 1 g ( θ n − 1 ) θ n + 1 = θ n + ε 2 g ( θ n ) (4) \begin{aligned}&\theta_n = \theta_{n-1} - \varepsilon_1 g(\theta_{n-1})\\ &\theta_{n+1} = \theta_n + \varepsilon_2 g(\theta_n) \end{aligned}\tag{4} ​θn​=θn−1​−ε1​g(θn−1​)θn+1​=θn​+ε2​g(θn​)​(4)
其中 ε 1 > ε 2 \varepsilon_1 > \varepsilon_2 ε1​>ε2​，这样我们就把 b b b去掉了（引入了 ε 1 , ε 2 \varepsilon_1, \varepsilon_2 ε1​,ε2​的选择，天下没有免费的午餐）。重复上述近似展开，我们就得到
θ n + 1 =   θ n − 1 − ε 1 g ( θ n − 1 ) + ε 2 g ( θ n − 1 − ε 1 g ( θ n − 1 ) ) ≈   θ n − 1 − ε 1 g ( θ n − 1 ) + ε 2 ( g ( θ n − 1 ) − ε 1 ∇ θ g ( θ n − 1 ) g ( θ n − 1 ) ) =   θ n − 1 − ( ε 1 − ε 2 ) g ( θ n − 1 ) − ε 1 ε 2 2 ∇ θ ∥ g ( θ n − 1 ) ∥ 2 =   θ n − 1 − ( ε 1 − ε 2 ) ∇ θ [ L ( θ n − 1 ) + ε 1 ε 2 2 ( ε 1 − ε 2 ) ∥ ∇ θ L ( θ n − 1 ) ∥ 2 ] (5) \begin{aligned} \theta_{n+1} =& \, \theta_{n-1} - \varepsilon_1g(\theta_{n-1})+\varepsilon_2g(\theta_{n-1} - \varepsilon_1g(\theta_{n-1}))\\ \approx&\, \theta_{n-1} - \varepsilon_1g(\theta_{n-1}) + \varepsilon_2(g(\theta_{n-1}) - \varepsilon_1\nabla_\theta g(\theta_{n-1})g(\theta_{n-1}))\\ =&\, \theta_{n-1} - (\varepsilon_1 - \varepsilon_2) g(\theta_{n-1}) - \frac{\varepsilon_1\varepsilon_2}{2}\nabla_{\theta}\Vert g(\theta_{n-1})\Vert^2\\ =&\,\theta_{n-1} - (\varepsilon_1 - \varepsilon_2)\nabla_{\theta}\left[\mathcal{L}(\theta_{n-1}) + \frac{\varepsilon_1\varepsilon_2}{2(\varepsilon_1 - \varepsilon_2)}\Vert \nabla_{\theta}\mathcal{L}(\theta_{n-1})\Vert^2\right] \end{aligned}\tag{5} θn+1​=≈==​θn−1​−ε1​g(θn−1​)+ε2​g(θn−1​−ε1​g(θn−1​))θn−1​−ε1​g(θn−1​)+ε2​(g(θn−1​)−ε1​∇θ​g(θn−1​)g(θn−1​))θn−1​−(ε1​−ε2​)g(θn−1​)−2ε1​ε2​​∇θ​∥g(θn−1​)∥2θn−1​−(ε1​−ε2​)∇θ​[L(θn−1​)+2(ε1​−ε2​)ε1​ε2​​∥∇θ​L(θn−1​)∥2]​(5)
这就相当于自始自终都在用学习率 ε 1 − ε 2 \varepsilon_1-\varepsilon_2 ε1​−ε2​来优化损失函数 L ( θ ) + ε 1 ε 2 2 ( ε 1 − ε 2 ) ∥ ∇ θ L ( θ ) ∥ 2 \mathcal{L}(\theta) + \frac{\varepsilon_1\varepsilon_2}{2(\varepsilon_1 - \varepsilon_2)}\Vert\nabla_{\theta}\mathcal{L}(\theta)\Vert^2 L(θ)+2(ε1​−ε2​)ε1​ε2​​∥∇θ​L(θ)∥2了，也就是说一开始就把梯度惩罚给加了进去，这样能提升模型的泛化性能吗？《Backstitch: Counteracting Finite-sample Bias via Negative Steps》里边指出这种做法在语音识别上是有效的，请读者自行测试甄别

效果检验

我随便在网上找了个竞赛，然后利用别人提供的以BERT为baseline的代码，对Flooding的效果进行了测试，下图分别是没有做Flooding和参数 b = 0.7 b=0.7 b=0.7的Flooding损失值变化图，值得一提的是，没有做Flooding的验证集最低损失值为0.814198，而做了Flooding的验证集最低损失值为0.809810

根据知乎文章一行代码发一篇ICML？底下用户Curry评论所言：“通常来说 b b b值需要设置成比’Validation Error开始上升’的值更小，1/2处甚至更小，结果更优”，所以我仔细观察了下没有加Flooding模型损失值变化图，大概在loss为0.75到1.0左右的时候开始出现过拟合现象，因此我又分别设置了 b = 0.4 b=0.4 b=0.4和 b = 0.5 b=0.5 b=0.5，做了两次Flooding实验，结果如下图

值得一提的是， b = 0.4 b=0.4 b=0.4和 b = 0.5 b=0.5 b=0.5时，验证集上的损失值最低仅为0.809958和0.796819，而且很明显验证集损失的整体上升趋势更加缓慢。接下来我做了一个实验，主要是验证"继续脑洞"部分以不同的学习率一开始就交替着做梯度下降和梯度上升的效果，其中，梯度下降的学习率我设为 1 e − 5 1e-5 1e−5，梯度上升的学习率为 1 e − 6 1e-6 1e−6，结果如下图，验证集的损失最低仅有0.783370

References

• 我们真的需要把训练集的损失降低到零吗？
• 一行代码发一篇ICML？