TensorFlow 学习(十一)—— 正则(regularizer)

正则作用的对象是目标函数,如图对均方误差使用 2 正则:

loss = tf.reduce_mean(tf.square(y-y_) + tf.contrib.layers.l2_regularizer(lambda)(w))

1. 基本工作原理

weights = tf.constant([[1., -2.], [-3., 4.]])
with tf.Session() as sess:
    print(sess.run(tf.contrib.layers.l1_regularizer(.5)(weights)))
            # (1+2+3+4)*.55
    print(sess.run(tf.contrib.layers.l2_regularizer(.5)(weights)))
            # (1+4+9+16)*.5*.57.5
  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
TensorFlow中,可以使用则化来减轻过拟合问题。全连接层的则化代码可以使用tf.contrib.layers提供的函数来实现。其中,tf.contrib.layers.l1_regularizer(scale, scope=None)用于L1型则化,tf.contrib.layers.l2_regularizer(scale, scope=None)用于L2型则化。 下面是使用L2型则化对全连接层进行则化的代码示例: ``` import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 创建全连接层 def create_fully_connected_layer(input_data, num_units, activation_function=None, regularizer=None): weights = tf.get_variable("weights", shape=[input_data.shape<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [tensorflow中的则化](https://blog.csdn.net/qq_26449287/article/details/102753594)[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_2"}}] [.reference_item style="max-width: 50%"] - *3* [简洁明了的tensorflow2.0教程——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_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

五道口纳什

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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