Как добавить регуляризации в TensorFlow?

Я обнаружил, что во многих доступном коде нейронных сетей, реализованном с использованием TensorFlow, условия регуляризации часто реализуются путем добавления вручную дополнительного члена к значению потерь.

Мои вопросы:

1. Есть ли более элегантный или рекомендуемый способ регуляризации, чем это делать вручную?

2. Я также считаю, что get_variableу этого есть аргумент regularizer. Как его использовать? По моим наблюдениям, если мы передадим ему регуляризатор (например tf.contrib.layers.l2_regularizer, тензор, представляющий регуляризованный член, будет вычислен и добавлен в коллекцию графов с именем tf.GraphKeys.REGULARIZATOIN_LOSSES. Будет ли эта коллекция автоматически использоваться TensorFlow (например, оптимизаторами при обучении)? Или ожидается ли, что я буду использовать эту коллекцию самостоятельно?

Как вы говорите во втором пункте, regularizerрекомендуется использовать аргумент. Вы можете использовать его get_variableили установить один раз в своем variable_scopeи упорядочить все свои переменные.

Убытки собраны на графике, и вам нужно вручную добавить их к функции затрат, как это.

  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)

Надеюсь, это поможет!

Некоторые аспекты существующего ответа мне не сразу были понятны, поэтому вот пошаговое руководство:

1. Определите регуляризатор. Здесь можно установить константу регуляризации, например:

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

2. Создавать переменные через:

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

   Точно так же переменные можно создавать с помощью обычного weights = tf.Variable(...)конструктора, за которым следует tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights).

3. Определите какой-нибудь lossтермин и добавьте термин регуляризации:

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

   Примечание: похоже, что tf.contrib.layers.apply_regularizationон реализован как AddN, так что более или менее эквивалентен sum(reg_variables).

Я дам простой правильный ответ, так как не нашел. Вам нужно два простых шага, остальное сделает магия тензорного потока:

1. Добавьте регуляризаторы при создании переменных или слоев:

   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. Добавьте термин регуляризации при определении убытка:

   loss = ordinary_loss + tf.losses.get_regularization_loss()

Другой вариант сделать это с contrib.learnбиблиотекой - это следующий вариант , основанный на учебнике Deep MNIST на веб-сайте Tensorflow. Во-первых, если вы импортировали соответствующие библиотеки (например, import tensorflow.contrib.layers as layers), вы можете определить сеть отдельным методом:

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 

Затем в основном методе вы можете использовать следующий фрагмент кода:

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)

Чтобы это заработало, вам нужно следовать руководству MNIST, с которым я связался ранее, и импортировать соответствующие библиотеки, но это хорошее упражнение для изучения TensorFlow, и легко увидеть, как регуляризация влияет на результат. Если вы примените регуляризацию в качестве аргумента, вы увидите следующее:

- 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

Обратите внимание, что часть регуляризации дает вам три элемента в зависимости от доступных элементов.

С регуляризациями 0, 0,0001, 0,01 и 1,0 я получаю значения точности теста 0,9468, 0,9476, 0,9183 и 0,1135, соответственно, что показывает опасность высоких условий регуляризации.

Если кто-то еще ищет, я просто хотел бы добавить это в tf.keras, вы можете добавить регуляризацию веса, передав их в качестве аргументов в ваших слоях. Пример добавления регуляризации L2, взятой оптом с сайта 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)
])

Насколько мне известно, нет необходимости вручную добавлять потери регуляризации с помощью этого метода.

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

Я проверил tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)и tf.losses.get_regularization_loss()с одним l2_regularizerна графике и обнаружил, что они возвращают одинаковое значение. Наблюдая за количеством значения, я предполагаю, что reg_constant уже имеет смысл в значении, установив параметр tf.contrib.layers.l2_regularizer.

Если у вас есть CNN, вы можете сделать следующее:

В вашей модели функции:

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) 
...

В вашей функции потерь:

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)

Некоторые ответы сбивают меня с толку. Здесь я предлагаю два способа сделать это ясно.

#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 

Затем его можно добавить в общую потерю

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 не будут добавлены автоматически, но есть простой способ добавить их:

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

tf.losses.get_regularization_loss()используется tf.add_nдля суммирования записей tf.GraphKeys.REGULARIZATION_LOSSESпоэлементно. tf.GraphKeys.REGULARIZATION_LOSSESобычно представляет собой список скаляров, рассчитанный с использованием функций регуляризатора. Он получает записи из вызовов, для tf.get_variableкоторых regularizerуказан параметр. Вы также можете добавить в эту коллекцию вручную. Это было бы полезно при использовании, tf.Variableа также при указании регуляризаторов активности или других настраиваемых регуляризаторов. Например:

#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)

(В этом примере, по-видимому, было бы более эффективно упорядочить x, поскольку y действительно выравнивается при больших x.)