如何在 TensorFlow 中添加正则化？

Question

我发现在许多使用 TensorFlow 实现的可用神经网络代码中，正则化项通常是通过手动向损失值添加附加项来实现的。

我的问题是：

是否有比手动正则化更优雅或推荐的方法？
我还发现 get_variable 有一个参数 regularizer。应该如何使用？根据我的观察，如果我们向它传递一个正则化器（例如 tf.contrib.layers.l2_regularizer，将计算一个表示正则化项的张量并将其添加到名为 tf.GraphKeys.REGULARIZATOIN_LOSSES 的图形集合中。TensorFlow 会自动使用该集合吗？（例如，优化器在训练时使用）？还是我应该自己使用那个集合？

Answer 1

正如您在第二点中所说，使用 regularizer 参数是推荐的方式。您可以在 get_variable 中使用它，或者在您的 variable_scope 中设置一次并使所有变量正规化。

图中收集了损失，您需要像这样手动将它们添加到您的成本函数中。

  reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
  reg_constant = 0.01  # Choose an appropriate one.
  loss = my_normal_loss + reg_constant * sum(reg_losses)

希望对您有所帮助！

Answer 2

现有答案的一些方面我不是很清楚，所以这里有一个分步指南：

定义正则化器。这是可以设置正则化常数的地方，例如：
```
regularizer = tf.contrib.layers.l2_regularizer(scale=0.1)
```
通过以下方式创建变量：
```
    weights = tf.get_variable(
        name="weights",
        regularizer=regularizer,
        ...
    )
```
等价地，可以通过常规 weights = tf.Variable(...) 构造函数创建变量，然后是 tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights).
定义一些loss项并添加正则化项：
```
reg_variables = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
reg_term = tf.contrib.layers.apply_regularization(regularizer, reg_variables)
loss += reg_term
```
注意：看起来 tf.contrib.layers.apply_regularization 是作为 AddN 实现的，因此或多或少等同于 sum(reg_variables)。

Answer 3

使用 contrib.learn 库执行此操作的另一个选项如下，基于 Tensorflow 网站上的 Deep MNIST tutorial。首先，假设你已经导入了相关的库（比如import tensorflow.contrib.layers as layers），你可以在单独的方法中定义一个网络：

def easier_network(x, reg):
    """ A network based on tf.contrib.learn, with input `x`. """
    with tf.variable_scope('EasyNet'):
        out = layers.flatten(x)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=10, # Because there are ten digits!
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = None)
        return out

然后，在main方法中，可以使用如下代码片段：

def main(_):
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])

    # Make a network with regularization
    y_conv = easier_network(x, FLAGS.regu)
    weights = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, 'EasyNet') 
    print("")
    for w in weights:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")
    reg_ws = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES, 'EasyNet')
    for w in reg_ws:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")

    # Make the loss function `loss_fn` with regularization.
    cross_entropy = tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
    loss_fn = cross_entropy + tf.reduce_sum(reg_ws)
    train_step = tf.train.AdamOptimizer(1e-4).minimize(loss_fn)

要使其正常工作，您需要遵循我之前链接到的 MNIST 教程并导入相关库，但这是学习 TensorFlow 的一个很好的练习，并且很容易看出正则化如何影响输出。如果您应用正则化作为参数，您可以看到以下内容：

- EasyNet/fully_connected/weights:0 shape:[784, 200] size:156800
- EasyNet/fully_connected/biases:0 shape:[200] size:200
- EasyNet/fully_connected_1/weights:0 shape:[200, 200] size:40000
- EasyNet/fully_connected_1/biases:0 shape:[200] size:200
- EasyNet/fully_connected_2/weights:0 shape:[200, 10] size:2000
- EasyNet/fully_connected_2/biases:0 shape:[10] size:10

- EasyNet/fully_connected/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_1/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_2/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0

请注意，根据可用项目，正则化部分为您提供了三个项目。

使用 0、0.0001、0.01 和 1.0 的正则化，我得到的测试精度值分别为 0.9468、0.9476、0.9183 和 0.1135，显示了高正则化项的危险。

Answer 4

我会提供一个简单的正确答案，因为我没有找到。你只需要两个简单的步骤，剩下的由 tensorflow magic 完成：

在创建变量或层时添加正则化器：

tf.layers.dense(x, kernel_regularizer=tf.contrib.layers.l2_regularizer(0.001))
# or
tf.get_variable('a', regularizer=tf.contrib.layers.l2_regularizer(0.001))

定义损失时添加正则化项：

loss = ordinary_loss + tf.losses.get_regularization_loss()

Answer 5

有些回答让我更confused.Here我给两个方法说清楚

#1.adding all regs by hand
var1 = tf.get_variable(name='v1',shape=[1],dtype=tf.float32)
var2 = tf.Variable(name='v2',initial_value=1.0,dtype=tf.float32)
regularizer = tf.contrib.layers.l1_regularizer(0.1)
reg_term = tf.contrib.layers.apply_regularization(regularizer,[var1,var2])
#here reg_term is a scalar

#2.auto added and read,but using get_variable
with tf.variable_scope('x',
        regularizer=tf.contrib.layers.l2_regularizer(0.1)):
    var1 = tf.get_variable(name='v1',shape=[1],dtype=tf.float32)
    var2 = tf.get_variable(name='v2',shape=[1],dtype=tf.float32)
reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
#here reg_losses is a list,should be summed

然后可以加入总损失

Answer 6

cross_entropy = tf.losses.softmax_cross_entropy(
  logits=logits, onehot_labels=labels)

l2_loss = weight_decay * tf.add_n(
     [tf.nn.l2_loss(tf.cast(v, tf.float32)) for v in tf.trainable_variables()])

loss = cross_entropy + l2_loss

Answer 7

我用图表中的一个l2_regularizer测试了tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)和tf.losses.get_regularization_loss()，发现它们return的值相同。通过观察值的数量，我猜reg_constant已经通过设置tf.contrib.layers.l2_regularizer的参数对值有意义了。

Answer 8

如果您有 CNN，您可以执行以下操作：

在你的模型函数中：

conv = tf.layers.conv2d(inputs=input_layer,
                        filters=32,
                        kernel_size=[3, 3],
                        kernel_initializer='xavier',
                        kernel_regularizer=tf.contrib.layers.l2_regularizer(1e-5),
                        padding="same",
                        activation=None) 
...

在你的损失函数中：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=num_classes)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)
regularization_losses = tf.losses.get_regularization_losses()
loss = tf.add_n([loss] + regularization_losses)

Answer 9

如果有人还在看，我只想在 tf.keras 中补充一点，您可以通过将它们作为参数传递到图层中来添加权重正则化。从 Tensorflow Keras Tutorials 站点批发的添加 L2 正则化的示例：

model = keras.models.Sequential([
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu, input_shape=(NUM_WORDS,)),
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu),
    keras.layers.Dense(1, activation=tf.nn.sigmoid)
])

据我所知，使用此方法无需手动添加正则化损失。

参考：https://www.tensorflow.org/tutorials/keras/overfit_and_underfit#add_weight_regularization

Answer 10

tf.GraphKeys.REGULARIZATION_LOSSES不会自动添加，但是有一个简单的添加方法：

reg_loss = tf.losses.get_regularization_loss()
total_loss = loss + reg_loss

tf.losses.get_regularization_loss() 使用 tf.add_n 按元素对 tf.GraphKeys.REGULARIZATION_LOSSES 的条目求和。 tf.GraphKeys.REGULARIZATION_LOSSES 通常是标量列表，使用正则化函数计算。它从对 tf.get_variable 的调用中获取条目，这些条目具有指定的 regularizer 参数。您也可以手动添加到该集合。这在使用 tf.Variable 以及指定 activity 正则化器或其他自定义正则化器时很有用。例如：

#This will add an activity regularizer on y to the regloss collection
regularizer = tf.contrib.layers.l2_regularizer(0.1)
y = tf.nn.sigmoid(x)
act_reg = regularizer(y)
tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, act_reg)

（在这个例子中，正则化 x 可能会更有效，因为对于大的 x，y 确实变平了。）

如何在 TensorFlow 中添加正则化？

How to add regularizations in TensorFlow?

python

neural-network

deep-learning

tensorflow