我有一个深层的神经网络,层之间的权重存储在一个列表中。
layers[j].weights
我想在我的成本函数中包含岭惩罚。我需要用一些像
tf.nn.l2_loss(layers[j].weights**2 for j in range(self.n_layers))
即所有权重的平方和。
尤其是重量定义为:
>>> avs.layers
[<neural_network.Layer object at 0x10a4b2a90>, <neural_network.Layer object at 0x10ac85080>, <neural_network.Layer object at 0x10b0f3278>, <neural_network.Layer object at 0x10b0eacf8>, <neural_network.Layer object at 0x10b145588>, <neural_network.Layer object at 0x10b165048>, <neural_network.Layer object at 0x10b155ba8>]
>>>
>>> avs.layers[0].weights
<tensorflow.python.ops.variables.Variable object at 0x10b026748>
>>>
在tensorflow中我怎么做?
对一个张量列表求和的标准方法是使用^{} 操作,该操作接受一个张量列表(每个张量具有相同的大小和形状),并生成包含该和的单个张量。
对于您遇到的特定问题,我假设每个} 函数本身:
layers[j].weights
都有不同的大小。因此,在求和之前,您需要将每个元素减少为一个标量,例如使用^{(但是,请注意,当要添加的值较大时,您可能会发现计算一系列^{} 操作更为有效,因为TensorFlow会将每个
add_n
参数的值保存在内存中,直到计算出所有这些参数的值为止。一连串的add
操作允许一些计算提前发生。)tf.nn.l2_loss()
函数返回一个0维张量。但是不需要手动地将其应用到每个权重张量是很好的,因此将权重张量存储在列表中是解决问题的一种方法(正如@mrry所指出的)。
但不必每次都写出来,您可以使用以下函数
在您的情况下,这看起来像:
此外,
tf.nn.l2_loss()
隐式地将平方运算应用于值,并将所有平方值乘以1/2,因此如果使用类似于tf.nn.l2_loss(layers[j].weights**2 for j in range(self.n_layers))
的方法,则实际上会将权重提高到第四次方。因此,这个损失项的导数会很奇怪:它不会抵消1/2到1(但会隐式地使β加倍),权重会被立方化。相关问题 更多 >
编程相关推荐