(Tensorflow之七)L1_regularizer与L2_regularizer正则化

一、源码

import tensorflow as tf

a = tf.constant([2.0,3.0,4.0])
b = tf.contrib.layers.l1_regularizer(1.0)(a)
c = tf.contrib.layers.l2_regularizer(1.0)(a)
with tf.Session() as sess:
    print(sess.run(a))
    #输出L1 正则化,计算方法(|2.0|+|3.0|+|4.0|)*1 = 9
    print(sess.run(b))
    #输出L2 正则化(2^2+3^2+4^2)*1/2 = 14.5
    print(sess.run(c))

输出结果

[ 2.  3.  4.]
9.0
14.5

二、计算方法

2.1 L1的计算公式

设张量a

L(a)=||a||=i=0n</
TensorFlow 2.0中,可以使用`kernel_regularizer`来实现L2正则化。2正则化是一种通过惩罚较大的权重值来减少过拟合的技术。在代码中,可以使用`regularizers.l1_l2`函数来指定L2正则化的参数。例如,下面的代码展示了如何在TensorFlow 2.0中使用L2正则化: ``` from tensorflow.keras import layers from tensorflow.keras import regularizers layer = layers.Dense(units=64, kernel_regularizer=regularizers.l1_l2(l1=1e-5, l2=1e-4)) ``` 这里,`kernel_regularizer`参数接受一个`regularizers.l1_l2`对象,该对象的参数`l1`和`l2`分别代表L1正则化L2正则化的权重。通过调整这些参数的值,可以控制正则化的强度。 值得一提的是,上述代码只展示了L2正则化的实现,并未给出L1正则化的代码。如果你想了解如何实现L1正则化,可以参考一些相关的教程或自行实现。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [【小白学PyTorch】扩展之Tensorflow2.0 | 21 Keras的API详解(上)卷积、激活、初始化、正则...](https://blog.csdn.net/fengdu78/article/details/109020054)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [简洁明了的tensorflow2.0教程——正则化操作](https://blog.csdn.net/JohnLeeK/article/details/106335532)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值