如何在 TensorFlow 中添加正则化？

Question

我在许多使用 TensorFlow 实现的可用神经网络代码中发现，正则化项通常是通过手动向损失值添加一个附加项来实现的。

我的问题是：

1. 有没有比手动进行更优雅或更推荐的正则化方式？

2. 我还发现get_variable 有一个参数regularizer。应该如何使用？根据我的观察，如果我们将正则化器传递给它（例如tf.contrib.layers.l2_regularizer，则表示正则化项的张量将被计算并添加到名为tf.GraphKeys.REGULARIZATOIN_LOSSES 的图形集合中。TensorFlow 是否会自动使用该集合（例如训练时使用优化器）？还是希望我自己使用该集合？

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，然后对所有变量进行正则化。

损失被收集在图表中，您需要像这样手动将它们添加到成本函数中。

  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)

希望有帮助！

Answer 2

现有答案的一些方面对我来说不是很清楚，所以这里有一个分步指南：

1. 定义一个正则化器。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)
   

2. 通过以下方式创建变量：

       weights = tf.get_variable(
           name="weights",
           regularizer=regularizer,
           ...
       )
   

   同样，可以通过常规的weights = tf.Variable(...) 构造函数创建变量，然后是tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights)。

3. 定义一些loss术语并添加正则化术语：

   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 被实现为AddN，因此或多或少等同于sum(reg_variables)。

Answer 3

我将提供一个简单的正确答案，因为我没有找到答案。你只需要两个简单的步骤，剩下的就靠 tensorflow 魔法来完成：

1. 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))
   

2. 定义损失时添加正则化项：

   loss = ordinary_loss + tf.losses.get_regularization_loss()
   

Answer 4

使用 contrib.learn 库的另一个选项如下，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sn -p：

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)

要使其工作，您需要遵循我之前链接的 MNIST 教程并导入相关库，但这是学习 TensorFlow 的一个很好的练习，并且很容易看到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，正则化部分根据可用项目为您提供三个项目。

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

Answer 5

如果有人还在寻找，我只想在 tf.keras 中添加它，您可以通过将它们作为参数传递到您的层中来添加权重正则化。从 Tensorflow Keras 教程网站批量添加 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，这种方法不需要手动添加正则化损失。

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

Answer 6

我在图中用一个l2_regularizer 测试了tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES) 和tf.losses.get_regularization_loss()，发现它们返回的值相同。通过观察值的数量，我猜reg_constant通过设置tf.contrib.layers.l2_regularizer的参数已经对值有意义了。

Answer 7

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 8

有些答案让我比较迷茫，这里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，它可以被添加到总损失中

Answer 9

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 10

tf.GraphKeys.REGULARIZATION_LOSSES 不会自动添加，但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 对 tf.GraphKeys.REGULARIZATION_LOSSES 元素的条目求和。 tf.GraphKeys.REGULARIZATION_LOSSES 通常是一个标量列表，使用正则化函数计算。它从对tf.get_variable 的调用中获取指定了regularizer 参数的条目。您也可以手动添加到该集合。这在使用tf.Variable 以及指定活动正则化器或其他自定义正则化器时会很有用。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，对 x 进行正则化可能会更有效，因为对于较大的 x，y 确实会变平。）