optimization - CNN 中全连接参数的 L2 正则化

Question

在这个tensorflow 示例中，它对全连接参数使用了 L2 正则化：

regularizers = (tf.nn.l2_loss(fc1_weights) + tf.nn.l2_loss(fc1_biases) +
                  tf.nn.l2_loss(fc2_weights) + tf.nn.l2_loss(fc2_biases))

它是什么？为什么这里使用全连接参数？以及它如何提高性能？

Answer 1

正则化器通常是添加到损失函数中的术语，可防止模型过度拟合训练数据。他们通过鼓励学习模型的某些属性来做到这一点。

例如，参数的 L2 正则化鼓励所有参数都很小，而不是尖峰。这反过来又会鼓励网络对输入向量的所有维度给予同等关注。

Wikipedia页面是对正则化的一般介绍，您可以单击以深入了解 L2 正则化。