Как добавить регуляции в TensorFlow?

Ответ 1

Как вы говорите во второй точке, рекомендуется использовать аргумент regularizer. Вы можете использовать его в get_variable или установить его один раз в своем variable_scope и изменить все ваши переменные.

Потери собираются на графике, и вам нужно вручную добавить их к своей стоимости, как это.

  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)

Надеюсь, что это поможет!

Ответ 2

Несколько аспектов существующего ответа не были сразу понятны мне, поэтому здесь приводится пошаговое руководство:

• Определите регуляризатор. Здесь константа регуляризации может быть задана, например:

  regularizer = tf.contrib.layers.l2_regularizer(scale=0.1)
  

• Создание переменных через:

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

  Эквивалентно, переменные могут быть созданы с помощью обычного конструктора weights = tf.Variable(...), за которым следует tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights).

• Определите некоторый член loss и добавьте член регуляризации:

  reg_variables = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
  reg_term = tf.contrib.layers.apply_regularization(regularizer, reg_variables)
  loss += reg_term
  

  Примечание. Похоже, что tf.contrib.layers.apply_regularization реализовано как AddN, поэтому более или менее эквивалентно sum(reg_variables).

Ответ 3

Я дам простой правильный ответ, так как не нашел его. Вам понадобятся два простых шага, остальное - магия тензорного потока:

1. Добавьте регуляризаторы при создании переменных или слоев:

   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. Добавьте термин регуляризации при определении потери:

   loss = ordinary_loss + tf.losses.get_regularization_loss()
   

Ответ 4

Другой вариант сделать это с библиотекой contrib.learn заключается в следующем, на основе Deep MNIST tutorial на веб-сайте Tensorflow. Во-первых, если вы импортировали соответствующие библиотеки (например, import tensorflow.contrib.layers as layers), вы можете определить сеть по отдельному методу:

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 

Затем в основном методе вы можете использовать следующий фрагмент кода:

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)

Чтобы заставить это работать, вам нужно следовать руководству MNIST, которое я связал ранее, и импортировать соответствующие библиотеки, но это хорошее упражнение, чтобы изучить TensorFlow, и легко понять, как регуляризация влияет на результат. Если вы применяете регуляризацию в качестве аргумента, вы можете увидеть следующее:

- 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

Обратите внимание, что часть регуляризации дает вам три элемента на основе доступных элементов.

При регуляризации 0, 0,0001, 0,01 и 1,0, я получаю значения точности теста 0,9468, 0,9476, 0,9183 и 0,1135 соответственно, что указывает на опасность высоких констант регуляризации.

Ответ 5

Я тестировал tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES) и tf.losses.get_regularization_loss() с одним l2_regularizer в графе и обнаружил, что они возвращают одно и то же значение. Наблюдая за количеством значений, я полагаю, что reg_constant уже имеет смысл в значении, установив параметр tf.contrib.layers.l2_regularizer.

Ответ 6

Некоторые ответы меня больше смущают. Я даю два метода, чтобы сделать это ясно.

#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 

Затем его можно добавить в общую потерю

Ответ 7

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

Ответ 8

Если у вас есть CNN, вы можете сделать следующее:

В вашей модели:

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) 
...

В вашей функции потери:

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)