Pytorch实现L1与L2正则化

 关于Pytorch如何实现正则化在这篇博客《pytorch实现L2和L1正则化regularization的方法》其实已经给出了差不多正确的方法，但是这篇博客的代码在实现L2正则的时候是有一点小问题的。

 首先看一下L2正则的公式：

$$Loss=CL+\frac{\lambda }{2}\sum w_i^2$$

 其中$CL$就是正常的损失（比如交叉熵损失）。实际上在Pytorch中，当你使用SGD的时候，其中的一个参数weight_decay其实就是L2正则的$\lambda$系数，只不过Pytorch用了一种取巧的方法，实际的loss不会把L2损失计算进去，而是在梯度回传的时候通过在原先的梯度上面加上$\lambda w_i$来实现一种等价的L2正则。如下面的源码所示：

for p in group['params`]:
	if p.grad is None:
		continue
	d_p = p.grad.data
	if weight_decay != 0:
		d_p.add_(weight_decay, p.data)

 所以如果我们想显式地在损失中显示L2损失，就可以把SGD中的weight_decay置为0，然后再自己实现L2正则。还是参考前面提到的博客给出的实现方式，但是前面那篇博客在实现L2正则的时候用的L2范数即torch.norm(w, p=2)，而这个其实是有问题的，因为L2范数其实是$\sqrt{\sum w_i^2}$，跟我们要的不是一个东西，所以我重写了一下：

def regularization_loss(self, weight_list_l1, weight_list_l2):
	reg_loss = 0
	loss1, loss2 = 0, 0
	for name, w in weight_list_l1:
		loss1 += torch.sum(torch.abs(w))
	for name, w in weight_list_l2:
		loss2 += torch.sum(torch.pow(w, 2))
	reg_loss = self.weight_decay_l1*loss1 + self.weight_decay_l2/2*loss2
	return reg_loss

 需要说明的是我这里还实现了L1正则，可以实现对部分参数用L1正则，对另一部分用L2正则，然后对剩下的参数不用任何正则化（因为一般我们对BN层跟bias是不用正则化的，但是SGD的默认实现会对所有参数都施加L2正则化）。