张量流中的正则化损失是什么？
What is regularization loss in tensorflow?
使用 Tensorflows 目标检测训练目标检测 DNN 时 API 它的可视化平台 Tensorboard 绘制了一个名为 regularization_loss_1
的标量
这是什么？我知道什么是正则化（使网络擅长通过 dropout 等各种方法进行泛化）但是我不清楚这个显示的损失可能是什么。
谢谢！
TL;DR: 只是正则化函数产生的额外损失。将其添加到网络的损失中并优化两者的总和。
正如您正确陈述的那样，正则化方法用于帮助优化方法更好地泛化。
获得这一点的一种方法是向损失函数添加 正则化项 。该术语是一个通用函数，它修改 "global" 损失（如 网络损失 的 sum 和 正则化损失)，以便在所需方向上驱动优化算法。
比方说，无论出于何种原因，我都想鼓励权重尽可能接近零的优化解决方案。那么，一种方法是将网络权重的函数添加到网络产生的损失中（例如，权重的所有绝对值的按比例缩小的总和）。由于 优化算法最小化了全局损失 ，我的正则化项（当权重远离零时它很高）将把优化推向权重接近于零的解决方案。
使用 Tensorflows 目标检测训练目标检测 DNN 时 API 它的可视化平台 Tensorboard 绘制了一个名为 regularization_loss_1
这是什么？我知道什么是正则化（使网络擅长通过 dropout 等各种方法进行泛化）但是我不清楚这个显示的损失可能是什么。
谢谢！
TL;DR: 只是正则化函数产生的额外损失。将其添加到网络的损失中并优化两者的总和。
正如您正确陈述的那样，正则化方法用于帮助优化方法更好地泛化。 获得这一点的一种方法是向损失函数添加 正则化项 。该术语是一个通用函数，它修改 "global" 损失（如 网络损失 的 sum 和 正则化损失)，以便在所需方向上驱动优化算法。
比方说，无论出于何种原因，我都想鼓励权重尽可能接近零的优化解决方案。那么，一种方法是将网络权重的函数添加到网络产生的损失中（例如，权重的所有绝对值的按比例缩小的总和）。由于 优化算法最小化了全局损失 ，我的正则化项（当权重远离零时它很高）将把优化推向权重接近于零的解决方案。