10

我有一个深度神经网络，其中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。然后我需要使用类似的东西， tf.nn.l2_loss(layers[j].weights**2 for j in range(self.n_layers))即所有权重的平方和。

特别是权重定义为：

>>> 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>
>>>

我怎样才能在 tensorflow 中做到这一点？

4

2 回答 2

23

对张量列表求和的标准方法是使用tf.add_n()操作，该操作采用张量列表（每个张量具有相同的大小和形状）并生成包含总和的单个张量。

对于您遇到的特定问题，我假设每个layers[j].weights问题的大小可能不同。因此，您需要在求和之前将每个元素减少到一个标量，例如使用tf.nn.l2_loss()函数本身：

weights = [layers[j].weights for j in range(self.n_layers)]
losses = [tf.nn.l2_loss(w) for w in weights]
total_loss = tf.add_n(losses)

（但是请注意，当要添加的值很大时，您可能会发现计算一系列tf.add()操作更有效，因为 TensorFlow 将每个add_n参数的值保存在内存中，直到所有参数都被计算出来。add操作链允许一些计算提前发生。）

于 2015-12-29T22:25:05.580 回答
1

该tf.nn.l2_loss()函数返回一个 0 维的张量。

但是很高兴不需要手动将其应用于每个权重张量，因此将权重张量存储在列表中是解决问题的一种方法（如 @mrry 所述）。

但不是每次都需要写出来，你可以做的是使用以下函数

def l2_loss_sum(list_o_tensors):
    return tf.add_n([tf.nn.l2_loss(t) for t in list_o_tensors])

在你的情况下，这看起来像：

total_loss = l2_loss_sum([layers[j].weights for j in range(self.n_layers)])

此外，tf.nn.l2_loss()隐式地将平方运算应用于值以及将所有平方值乘以 1/2 ，因此您是否使用类似tf.nn.l2_loss(layers[j].weights**2 for j in range(self.n_layers))实际将权重提高到 4 次方的方法。结果，您对这个损失项的导数会很奇怪：它不会将 1/2 取消为 1（但会隐含地使您的 β 加倍）并且权重会被立方。

于 2016-02-24T23:23:43.600 回答