解讀keras中的正則化(regularization)問題

更新時(shí)間：2022年12月15日 16:52:51 作者：Cold__Heart

這篇文章主要介紹了解讀keras中的正則化(regularization)問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

keras中正則化(regularization)

keras內(nèi)置3種正則化方法

keras.regularizers.l1(lambda)
keras.regularizers.l2(lambda)
keras.regularizers.l1_l2(l1=lambda1, l2=lambda2)

目前我的理解是lambda越大，對(duì)參數(shù)的約束就越強(qiáng)，也就是懲罰力度越大。

其中L1正則化方法，是對(duì)|w|進(jìn)行懲罰，使得w趨近0

而L2正則化方法，是對(duì)w2進(jìn)行懲罰，使得w盡可能小

Dense，Conv1D，Conv2D，Conv3D有統(tǒng)一的正則化API，見keras中文文檔。

3個(gè)正則化關(guān)鍵字

1. kernel_regularizer

對(duì)權(quán)值進(jìn)行正則化，大多數(shù)情況下使用這個(gè)

2. bias_regularizer

限制bias的大小，使得輸入和輸出接近

3. activity_regularizer

對(duì)輸出進(jìn)行正則化，使得輸出盡量小

keras中添加正則化

正則項(xiàng)

正則項(xiàng)在優(yōu)化過程中層的參數(shù)或?qū)拥募せ钪堤砑討土P項(xiàng)，這些懲罰項(xiàng)將與損失函數(shù)一起作為網(wǎng)絡(luò)的最終優(yōu)化目標(biāo)

懲罰項(xiàng)基于層進(jìn)行懲罰，目前懲罰項(xiàng)的接口與層有關(guān)，但Dense, Conv1D, Conv2D, Conv3D具有共同的接口。

這些層有三個(gè)關(guān)鍵字參數(shù)以施加正則項(xiàng)：

kernel_regularizer：施加在權(quán)重上的正則項(xiàng)，為keras.regularizer.Regularizer對(duì)象
bias_regularizer：施加在偏置向量上的正則項(xiàng)，為keras.regularizer.Regularizer對(duì)象
activity_regularizer：施加在輸出上的正則項(xiàng)，為keras.regularizer.Regularizer對(duì)象

例子

from keras import regularizers
model.add(Dense(64, input_dim=64,
? ? ? ? ? ? ? ? kernel_regularizer=regularizers.l2(0.01),
? ? ? ? ? ? ? ? activity_regularizer=regularizers.l1(0.01)))

可用正則項(xiàng)

keras.regularizers.l1(0.)
keras.regularizers.l2(0.)
keras.regularizers.l1_l2(0.)

開發(fā)新的正則項(xiàng)

任何以權(quán)重矩陣作為輸入并返回單個(gè)數(shù)值的函數(shù)均可以作為正則項(xiàng)，示例：

from keras import backend as K
?
def l1_reg(weight_matrix):
? ? return 0.01 * K.sum(K.abs(weight_matrix))
?
model.add(Dense(64, input_dim=64,
? ? ? ? ? ? ? ? kernel_regularizer=l1_reg)

可參考源代碼keras/regularizer.py