day-17 L1和L2正则化的tensorflow示例
2024-09-03 11:59:37
机器学习中几乎都可以看到损失函数后面会添加一个额外项,常用的额外项一般有两种,一般英文称作ℓ1-norm和ℓ2-norm,中文称作L1正则化和L2正则化,或者L1范数和L2范数。L2范数也被称为权重衰减(weight decay)。
一般回归分析中回归ww表示特征的系数,从上式可以看到正则化项是对系数做了处理(限制)。L1正则化和L2正则化的说明如下:
- L1正则化是指权值向量ww中各个元素的绝对值之和,通常表示为||w||1||w||1
- L2正则化是指权值向量ww中各个元素的平方和然后再求平方根(可以看到Ridge回归的L2正则化项有平方符号),通常表示为||w||2
关于二者如何解决机器学习中过拟合问题,可以参考如下链接:
https://blog.csdn.net/weiyongle1996/article/details/78161512
https://blog.csdn.net/jinping_shi/article/details/52433975
tensorflow中提供了两个函数,用于求某个权重w矩阵的L1和L2正则化,下面是代码示例:
'''
输入:
x = [[1.0,2.0]]
w = [[1.0,2.0],[3,0,4.0]] 输出:
y = x*w = [[7.0,10.0]]
l1 = (1.0+2.0+3.0+4.0)*0.5 = 5.0
l2 = (1.0**2 + 2.0**2 + 3.0**2 + 4.0**2) / 2)*0.5 = 7.5
''' import tensorflow as tf
from tensorflow.contrib.layers import * w = tf.constant([[1.0,2.0],[3.0,4.0]])
x = tf.placeholder(dtype=tf.float32,shape=[None,2])
y = tf.matmul(x,w) with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(y,feed_dict={x:[[1.0,2.0]]}))
print("=========================")
print(sess.run(l1_regularizer(scale=0.5)(w)))
#(1.0+2.0+3.0+4.0)*0.5 = 5.0
print("=========================")
print(sess.run(l2_regularizer(scale=0.5)(w)))
#(1.0**2 + 2.0**2 + 3.0**2 + 4.0**2) / 2)*0.5 = 7.5
最新文章
- 敏捷转型历程 - Sprint3 回顾会
- spring3.0使用annotation完全代替XML
- Function构造函数
- Ansible-Tower快速入门-5.导入许可【翻译】
- Android Task 相关
- -_-#setTimeout与setInterval
- hdu 4882 ZCC Loves Codefires(数学题+贪心)
- C#编程总结
- Selenium模拟JQuery滑动解锁
- temp-黄河农商行路径
- c 语言常量
- mac 开发新户攻略-brew
- .NET的前世今生与将来
- wps表格开发C#
- vue组件库(二):基于verdaccio工具npm私服搭建
- linux 下的emoji在MariaDB中的字符集修改
- InstallShield 2015 生成单个EXE包和 MSI包
- 学习笔记21—PS换图片背景
- vscode 学习笔记 —— 调试 (以 node 为例)
- eclipse 大括号 改为C语言风格