L2正则化—tensorflow实现

最新推荐文章于 2025-07-17 18:42:43 发布

原创最新推荐文章于 2025-07-17 18:42:43 发布 · 2.1w 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#正则 #tensorflow

tensorflow学习专栏收录该内容

11 篇文章

订阅专栏

本文介绍了一种防止模型过拟合的方法——L2正则化，并详细展示了如何在TensorFlow中实现这一技术。通过在损失函数中加入正则项，可以有效地控制模型复杂度，提高泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

L2正则化是一种减少过拟合的方法，在损失函数中加入刻画模型复杂程度的指标。假设损失函数是 $J(\theta)$ ，则优化的是 $J(\theta)+\lambda R(w)$ ， $R(w)=\sum_{i=0}^n |w_{i}^2|$ 。

在tensorflow中的具体实现过程如下：

#coding:utf-8

import tensorflow as tf

def get_weight(shape,lambda):
    var = tf.Variable(tf.random_normal(shape),dtype=tf.float32)

    tf.add_to_collection("losses",tf.contrib.layers.l2_regularizer(lambda)(var))#把正则化加入集合losses里面

    return var

x = tf.placeholder(tf.float32,shape=(None,2))
y_ = tf.placeholder(tf.float32,shape=(none,1))#真值

batcg_size = 8

layer_dimension = [2,10,10,10,1]#神经网络层节点的个数

n_layers = len(layer_dimension)#神经网络的层数

cur_layer = x

in_dimension = layer_dimension[0]

for i in range (1,n_layers):
    out_dimension = layer_dimension[i]
    weight = get_weight([in_dimension,out_dimension],0.001)
    bias = tf.Variable(tf.constant(0.1,shape(out_dimension)))

    cur_layer = tf.nn.relu(tf.matmul(x,weight)) + bias)

    in_dimension = layer_dimension[i]


ses_loss = tf.reduce_mean(tf.square(y_ - cur_layer))#计算最终输出与标准之间的loss

tf.add_to_collenction("losses",ses_loss)#把均方误差也加入到集合里

loss = tf.add_n(tf.get_collection("losses"))
#tf.get_collection返回一个列表,内容是这个集合的所有元素
#add_n()把输入按照元素相加