จะเพิ่มการทำให้เป็นระเบียบใน TensorFlow ได้อย่างไร?

ฉันพบในรหัสเครือข่ายประสาทเทียมที่มีอยู่จำนวนมากที่ใช้งานโดยใช้ TensorFlow ว่าเงื่อนไขการทำให้เป็นมาตรฐานมักจะถูกนำมาใช้โดยการเพิ่มคำเพิ่มเติมด้วยตนเองเพื่อมูลค่าการสูญเสีย

คำถามของฉันคือ:

1. มีวิธีการทำให้เป็นมาตรฐานที่หรูหรากว่าหรือที่แนะนำมากกว่าการทำด้วยตนเองหรือไม่?

2. ฉันยังพบว่ามีการโต้แย้งget_variable regularizerควรใช้อย่างไร? จากการสังเกตของฉันถ้าเราส่ง Regularizer ไปที่มัน (เช่นtf.contrib.layers.l2_regularizerเทนเซอร์ที่เป็นตัวแทนของคำศัพท์ปกติจะถูกคำนวณและเพิ่มลงในคอลเลกชันกราฟที่มีชื่อtf.GraphKeys.REGULARIZATOIN_LOSSESTensorFlow จะใช้คอลเล็กชันนั้นโดยอัตโนมัติหรือไม่ (เช่นใช้โดยเครื่องมือเพิ่มประสิทธิภาพเมื่อฝึก) หรือ คาดว่าฉันควรใช้คอลเลกชันนั้นด้วยตัวเองหรือไม่?

ดังที่คุณพูดในประเด็นที่สองการใช้regularizerอาร์กิวเมนต์เป็นวิธีที่แนะนำ คุณสามารถใช้มันget_variableหรือตั้งค่าครั้งเดียวในของคุณvariable_scopeและทำให้ตัวแปรทั้งหมดของคุณเป็นประจำ

การสูญเสียจะถูกรวบรวมไว้ในกราฟและคุณต้องเพิ่มเข้าไปในฟังก์ชันต้นทุนของคุณด้วยตนเองเช่นนี้

  reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
  reg_constant = 0.01  # Choose an appropriate one.
  loss = my_normal_loss + reg_constant * sum(reg_losses)

หวังว่าจะช่วยได้!

บางแง่มุมของคำตอบที่มีอยู่ไม่ชัดเจนสำหรับฉันในทันทีดังนั้นนี่คือคำแนะนำทีละขั้นตอน:

1. กำหนด Regularizer นี่คือที่ที่สามารถกำหนดค่าคงที่การทำให้เป็นระเบียบเช่น:

   regularizer = tf.contrib.layers.l2_regularizer(scale=0.1)
   

2. สร้างตัวแปรผ่าน:

       weights = tf.get_variable(
           name="weights",
           regularizer=regularizer,
           ...
       )
   

   เท่าตัวแปรที่สามารถสร้างขึ้นผ่านทางปกติคอนสตรัคตามด้วยweights = tf.Variable(...)tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights)

3. กำหนดlossคำศัพท์และเพิ่มเงื่อนไขการทำให้เป็นมาตรฐาน:

   reg_variables = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
   reg_term = tf.contrib.layers.apply_regularization(regularizer, reg_variables)
   loss += reg_term
   

   หมายเหตุ: ดูเหมือนว่าtf.contrib.layers.apply_regularizationจะใช้งานเป็น an AddNดังนั้นจะเทียบเท่ากับsum(reg_variables)ไฟล์.

ฉันจะให้คำตอบง่ายๆที่ถูกต้องเนื่องจากฉันไม่พบคำตอบ คุณต้องใช้สองขั้นตอนง่ายๆส่วนที่เหลือทำได้โดยมายากลเทนเซอร์โฟลว์:

1. เพิ่ม Regularizers เมื่อสร้างตัวแปรหรือเลเยอร์:

   tf.layers.dense(x, kernel_regularizer=tf.contrib.layers.l2_regularizer(0.001))
   # or
   tf.get_variable('a', regularizer=tf.contrib.layers.l2_regularizer(0.001))
   

2. เพิ่มเงื่อนไขการทำให้เป็นมาตรฐานเมื่อกำหนดการสูญเสีย:

   loss = ordinary_loss + tf.losses.get_regularization_loss()
   

อีกทางเลือกหนึ่งในการดำเนินการกับcontrib.learnไลบรารีมีดังต่อไปนี้โดยอ้างอิงจากบทช่วยสอน Deep MNISTบนเว็บไซต์ Tensorflow ขั้นแรกสมมติว่าคุณได้นำเข้าไลบรารีที่เกี่ยวข้อง (เช่นimport tensorflow.contrib.layers as layers) คุณสามารถกำหนดเครือข่ายด้วยวิธีการแยกต่างหาก:

def easier_network(x, reg):
    """ A network based on tf.contrib.learn, with input `x`. """
    with tf.variable_scope('EasyNet'):
        out = layers.flatten(x)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=10, # Because there are ten digits!
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = None)
        return out 

จากนั้นในวิธีหลักคุณสามารถใช้ข้อมูลโค้ดต่อไปนี้:

def main(_):
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])

    # Make a network with regularization
    y_conv = easier_network(x, FLAGS.regu)
    weights = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, 'EasyNet') 
    print("")
    for w in weights:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")
    reg_ws = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES, 'EasyNet')
    for w in reg_ws:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")

    # Make the loss function `loss_fn` with regularization.
    cross_entropy = tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
    loss_fn = cross_entropy + tf.reduce_sum(reg_ws)
    train_step = tf.train.AdamOptimizer(1e-4).minimize(loss_fn)

ในการทำให้สิ่งนี้ใช้งานได้คุณต้องทำตามแบบฝึกหัด MNIST ที่ฉันเชื่อมโยงไปก่อนหน้านี้และนำเข้าไลบรารีที่เกี่ยวข้อง แต่เป็นแบบฝึกหัดที่ดีในการเรียนรู้ TensorFlow และง่ายต่อการดูว่าการทำให้เป็นระเบียบมีผลต่อผลลัพธ์อย่างไร หากคุณใช้การทำให้เป็นมาตรฐานเป็นอาร์กิวเมนต์คุณสามารถดูสิ่งต่อไปนี้:

- EasyNet/fully_connected/weights:0 shape:[784, 200] size:156800
- EasyNet/fully_connected/biases:0 shape:[200] size:200
- EasyNet/fully_connected_1/weights:0 shape:[200, 200] size:40000
- EasyNet/fully_connected_1/biases:0 shape:[200] size:200
- EasyNet/fully_connected_2/weights:0 shape:[200, 10] size:2000
- EasyNet/fully_connected_2/biases:0 shape:[10] size:10

- EasyNet/fully_connected/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_1/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_2/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0

สังเกตว่าส่วนการทำให้เป็นมาตรฐานจะให้คุณสามรายการตามรายการที่มี

ด้วยการทำให้เป็นมาตรฐาน 0, 0.0001, 0.01 และ 1.0 ฉันได้รับค่าความแม่นยำในการทดสอบ 0.9468, 0.9476, 0.9183 และ 0.1135 ตามลำดับซึ่งแสดงให้เห็นถึงอันตรายของเงื่อนไขการทำให้เป็นมาตรฐานสูง

หากใครยังคงมองหาอยู่ฉันแค่อยากจะเพิ่มสิ่งนั้นใน tf.keras คุณอาจเพิ่มการกำหนดน้ำหนักให้เป็นมาตรฐานโดยส่งเป็นอาร์กิวเมนต์ในเลเยอร์ของคุณ ตัวอย่างของการเพิ่มการทำให้เป็นมาตรฐาน L2 ที่นำมาจากการขายส่งจากเว็บไซต์ Tensorflow Keras Tutorials:

model = keras.models.Sequential([
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu, input_shape=(NUM_WORDS,)),
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu),
    keras.layers.Dense(1, activation=tf.nn.sigmoid)
])

ไม่จำเป็นต้องเพิ่มการสูญเสียการทำให้เป็นมาตรฐานด้วยตนเองด้วยวิธีนี้เท่าที่ฉันรู้

อ้างอิง: https://www.tensorflow.org/tutorials/keras/overfit_and_underfit#add_weight_regularization

ฉันทดสอบtf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)และtf.losses.get_regularization_loss()ใช้หนึ่งl2_regularizerในกราฟและพบว่าค่าเหล่านี้ส่งคืนค่าเดียวกัน โดยการสังเกตปริมาณค่าของฉันเดา reg_constant tf.contrib.layers.l2_regularizerมีอยู่แล้วให้ความรู้สึกกับค่าโดยการตั้งค่าพารามิเตอร์ของ

หากคุณมี CNN คุณสามารถดำเนินการดังต่อไปนี้:

ในฟังก์ชันโมเดลของคุณ:

conv = tf.layers.conv2d(inputs=input_layer,
                        filters=32,
                        kernel_size=[3, 3],
                        kernel_initializer='xavier',
                        kernel_regularizer=tf.contrib.layers.l2_regularizer(1e-5),
                        padding="same",
                        activation=None) 
...

ในฟังก์ชันการสูญเสียของคุณ:

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=num_classes)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)
regularization_losses = tf.losses.get_regularization_losses()
loss = tf.add_n([loss] + regularization_losses)

คำตอบบางคำทำให้ฉันสับสนมากขึ้นที่นี่ฉันให้สองวิธีที่จะทำให้ชัดเจน

#1.adding all regs by hand
var1 = tf.get_variable(name='v1',shape=[1],dtype=tf.float32)
var2 = tf.Variable(name='v2',initial_value=1.0,dtype=tf.float32)
regularizer = tf.contrib.layers.l1_regularizer(0.1)
reg_term = tf.contrib.layers.apply_regularization(regularizer,[var1,var2])
#here reg_term is a scalar

#2.auto added and read,but using get_variable
with tf.variable_scope('x',
        regularizer=tf.contrib.layers.l2_regularizer(0.1)):
    var1 = tf.get_variable(name='v1',shape=[1],dtype=tf.float32)
    var2 = tf.get_variable(name='v2',shape=[1],dtype=tf.float32)
reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
#here reg_losses is a list,should be summed 

จากนั้นสามารถบวกเข้าไปในผลขาดทุนทั้งหมด

cross_entropy = tf.losses.softmax_cross_entropy(
  logits=logits, onehot_labels=labels)

l2_loss = weight_decay * tf.add_n(
     [tf.nn.l2_loss(tf.cast(v, tf.float32)) for v in tf.trainable_variables()])

loss = cross_entropy + l2_loss

tf.GraphKeys.REGULARIZATION_LOSSES จะไม่ถูกเพิ่มโดยอัตโนมัติ แต่มีวิธีง่ายๆในการเพิ่ม:

reg_loss = tf.losses.get_regularization_loss()
total_loss = loss + reg_loss

tf.losses.get_regularization_loss()ใช้tf.add_nเพื่อรวมรายการของtf.GraphKeys.REGULARIZATION_LOSSESองค์ประกอบที่ชาญฉลาด tf.GraphKeys.REGULARIZATION_LOSSESโดยทั่วไปจะเป็นรายการสเกลาร์ซึ่งคำนวณโดยใช้ฟังก์ชัน Regularizer ได้รับรายการจากการเรียกไปtf.get_variableที่มีการregularizerระบุพารามิเตอร์ คุณยังสามารถเพิ่มลงในคอลเล็กชันนั้นด้วยตนเอง สิ่งนี้จะมีประโยชน์เมื่อใช้tf.Variableและเมื่อระบุตัวกำหนดกิจกรรมหรือตัวกำหนดค่ากำหนดเองอื่น ๆ ตัวอย่างเช่น:

#This will add an activity regularizer on y to the regloss collection
regularizer = tf.contrib.layers.l2_regularizer(0.1)
y = tf.nn.sigmoid(x)
act_reg = regularizer(y)
tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, act_reg)

(ในตัวอย่างนี้น่าจะมีประสิทธิภาพมากกว่าในการทำให้ x สม่ำเสมอเนื่องจาก y จะทำให้ x ใหญ่แบนลง)