Как добавить регуляризации в TensorFlow?

Я нашел во многих доступных кодах нейронной сети, реализованных с использованием TensorFlow, что условия регуляризации часто реализуются путем ручного добавления дополнительного термина к значению потерь.

мои вопросы:

  1. есть ли более элегантный или рекомендуемый способ регуляризации, чем делать это вручную?

  2. Я также считаю, что get_variable есть аргумент regularizer. Как его следует использовать? По моим наблюдениям, если мы пройдем регуляризатор к нему (например tf.contrib.layers.l2_regularizer, тензор, представляющий регуляризованный член, будет вычислен и добавлен в коллекцию графов с именем tf.GraphKeys.REGULARIZATOIN_LOSSES. Будет ли эта коллекция автоматически использоваться TensorFlow (например, используется оптимизаторами при обучении)? Или ожидается, что я должен использовать эту коллекцию сам?

7 69
python neural-network deep-learning tensorflow

7 ответов:

как вы говорите во втором пункте, с помощью regularizer аргумент является рекомендуемым способом. Вы можете использовать его в get_variable, или установите его один раз в variable_scope и все ваши переменные регуляризации.

потери собираются на графике, и вам нужно вручную добавить их в свою функцию затрат, 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!

52

некоторые аспекты существующего ответа не были сразу понятны мне, поэтому вот пошаговое руководство:

  1. определите регуляризатор. Здесь можно установить константу регуляризации, например:

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

  2. создать переменные через:

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

    аналогично, переменные могут быть созданы с помощью обычного weights = tf.Variable(...) конструктор, а затем tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights).

  3. определить loss термин и добавьте термин регуляризации:

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

    Примечание: это выглядит как tf.contrib.layers.apply_regularization реализуется как AddN, так что более или менее эквивалентно sum(reg_variables).

32

еще один вариант сделать это с contrib.learn библиотека выглядит следующим образом, 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 в отдельном методе:

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 учебнику MNIST, который я связал ранее, и импортировать соответствующие библиотеки, но это хорошее упражнение, чтобы узнать TensorFlow, и легко увидеть, как регуляризация влияет на выход. Если вы примените 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, основанные на доступных элементах.

С регуляризациями 0, 0.0001, 0.01, и 1.0, я получаю значения точности теста 0.9468, 0.9476, 0.9183, и 0.1135, соответственно, показывая опасности максимума условия регуляризации.

15

Я дам простой правильный ответ, так как я его не нашел. Вам нужно два простых шага, остальное делается с помощью TensorFlow magic:

  1. добавить 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. добавить термин регуляризации при определении потерь:

    loss = ordinary_loss + tf.losses.get_regularization_loss()
15

Я проверял tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES) и tf.losses.get_regularization_loss() С l2_regularizer на графике и обнаружил, что они возвращают одно и то же значение. Наблюдая за количеством значения, я думаю, что reg_constant уже имеет смысл для значения, установив параметр tf.contrib.layers.l2_regularizer.

2

некоторые ответы делают меня более запутанным.Здесь 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

1
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
1