在 TensorFlow 中添加了正则化成本的自定义损失函数

Question

我写了一个自定义损失函数，将正则化损失添加到总损失中，我只向内核添加了 L2 正则化器，但是当我调用 model.fit() 时出现了一个警告，指出梯度没有这些偏差存在，并且偏差不会更新，如果我从其中一层的内核中删除正则化项，该内核的梯度也不存在。

我尝试向每一层添加偏差正则化器并且一切正常，但我不想对偏差进行正则化，所以我该怎么办？

这是我的损失函数：

 def _loss_function(y_true, y_pred):
    # convert tensors to numpy arrays
    y_true_n = y_true.numpy()
    y_pred_n = y_pred.numpy()
    # modify probablities for Knowledge Distillation loss
    # we do this for old tasks only
    old_y_true = np.float_power(y_true_n[:, :-1], 0.5)
    old_y_true = old_y_true / np.sum(old_y_true)
    old_y_pred = np.float_power(y_pred_n[:, :-1], 0.5)
    old_y_pred = old_y_pred / np.sum(old_y_pred)
    # Define the loss that we will used for new and old tasks
    bce = tf.keras.losses.BinaryCrossentropy()
    # compute the loss on old tasks
    old_loss = bce(old_y_true, old_y_pred)
    # compute the loss on new task
    new_loss = bce(y_true_n[:, -1], y_pred_n[:, -1])
    # compute the regularization loss
    reg_loss = tf.compat.v1.losses.get_regularization_loss()
    assert reg_loss is not None
    # convert all tensors to float64
    old_loss = tf.cast(old_loss, dtype=tf.float64)
    new_loss = tf.cast(new_loss, dtype=tf.float64)
    reg_loss = tf.cast(reg_loss, dtype=tf.float64)
    return old_loss + new_loss + reg_loss

Answer 1

在 keras 中，损失函数应该 return 损失值没有正则化损失。通过在每个 keras 层中设置 kernel_regularizer 或 bias_regularizer 将自动添加正则化损失。

换句话说，当您编写自定义损失函数时，您不必关心正则化损失。

编辑： 您收到梯度不存在的警告消息的原因是因为在损失函数中使用了 numpy()。 numpy() 将停止任何梯度传播。

将正则化器添加到层后警告消息消失不暗示梯度计算正确。它只包括来自正则化器的梯度，而不包括来自数据的梯度。 numpy() 应在损失函数中删除以获得正确的梯度。

其中一个解决方案是将所有内容都保存在张量中并使用 tf.math 库。例如使用 tf.pow 替换 np.float_power 和 tf.reduce_sum 替换 np.sum

在 TensorFlow 中添加了正则化成本的自定义损失函数

Custom loss function with regularization cost added in TensorFlow

deep-learning

tensorflow

loss-function