有什么办法，我可以在 PyTorch 中添加简单的 L1/L2 正则化吗？我们可以通过简单地添加data_losswith来计算正则化损失，reg_loss但是有没有任何明确的方法，PyTorch 库的任何支持可以更轻松地完成它而无需手动执行？
问问题
141711 次
7 回答
66
以下应该有助于 L2 正则化：
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, weight_decay=1e-5)
于 2017-10-06T02:47:25.017 回答
64
这在PyTorch的文档中有所介绍。您可以使用参数将 L2 损失添加weight_decay到优化函数中。
于 2017-03-10T16:46:28.077 回答
23
以前的答案虽然在技术上是正确的，但在性能方面效率低下，并且不是太模块化（很难在每层的基础上应用，例如由keras层提供）。
PyTorch L2 实现
为什么 PyTorchL2在torch.optim.Optimizer实例内部实现？
我们看一下torch.optim.SGD源码（目前为功能优化程序），特别是这部分：
for i, param in enumerate(params):
d_p = d_p_list[i]
# L2 weight decay specified HERE!
if weight_decay != 0:
d_p = d_p.add(param, alpha=weight_decay)
- 可以看到，
d_p（参数的导数，梯度）被修改并重新分配以加快计算速度（不保存临时变量） - 它具有
O(N)复杂性，没有任何复杂的数学，例如pow - 它不涉及
autograd在没有任何需要的情况下扩展图形
将其与O(n) **2操作、加法以及参与反向传播进行比较。
数学
让我们看看L2带有正则化因子的方程alpha（L1 ofc 也可以这样做）：
如果我们使用L2正则化参数对任何损失求导w（它与损失无关），我们得到：
所以它只是alpha * weight每个权重的梯度的加法！这正是 PyTorch 在上面所做的！
L1 正则化层
使用这个（和一些 PyTorch 魔法），我们可以提出非常通用的 L1 正则化层，但是让我们看一下 first 的一阶导数L1（sgn是 signum 函数，返回1正输入和-1负输入，0对于0）：
带有接口的完整代码WeightDecay位于torchlayers 第三方库中，提供诸如仅对权重/偏差/特定命名的参数进行正则化等内容（免责声明：我是作者），但下面概述的想法的本质（见评论）：
class L1(torch.nn.Module):
def __init__(self, module, weight_decay):
super().__init__()
self.module = module
self.weight_decay = weight_decay
# Backward hook is registered on the specified module
self.hook = self.module.register_full_backward_hook(self._weight_decay_hook)
# Not dependent on backprop incoming values, placeholder
def _weight_decay_hook(self, *_):
for param in self.module.parameters():
# If there is no gradient or it was zeroed out
# Zeroed out using optimizer.zero_grad() usually
# Turn on if needed with grad accumulation/more safer way
# if param.grad is None or torch.all(param.grad == 0.0):
# Apply regularization on it
param.grad = self.regularize(param)
def regularize(self, parameter):
# L1 regularization formula
return self.weight_decay * torch.sign(parameter.data)
def forward(self, *args, **kwargs):
# Simply forward and args and kwargs to module
return self.module(*args, **kwargs)
如果需要，请在此答案或相应的 PyTorch 文档中阅读有关钩子的更多信息。
而且用法也很简单（应该使用梯度累积和 PyTorch 层）：
layer = L1(torch.nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3))
边注
另外，作为旁注，L1正则化没有实现，因为它实际上并没有引起稀疏性（丢失的引用，我认为这是 PyTorch repo 上的一些 GitHub 问题，如果有人有它，请编辑），正如权重等于 0 所理解的那样。
更常见的是，如果权重值达到某个小的预定义量级（0.001例如
于 2021-03-14T22:43:59.807 回答
21
对于 L2 正则化，
l2_lambda = 0.01
l2_reg = torch.tensor(0.)
for param in model.parameters():
l2_reg += torch.norm(param)
loss += l2_lambda * l2_reg
参考：
于 2018-04-30T12:04:42.203 回答
16
对于 L1 正则化，weight仅包括：
L1_reg = torch.tensor(0., requires_grad=True)
for name, param in model.named_parameters():
if 'weight' in name:
L1_reg = L1_reg + torch.norm(param, 1)
total_loss = total_loss + 10e-4 * L1_reg
于 2019-10-24T02:41:51.477 回答
13
开箱即用的 L2 正则化
是的，pytorch优化器有一个名为的参数weight_decay，它对应于 L2 正则化因子：
sgd = torch.optim.SGD(model.parameters(), weight_decay=weight_decay)
L1 正则化实现
L1 没有类似的论点，但是这很容易手动实现：
loss = loss_fn(outputs, labels)
l1_lambda = 0.001
l1_norm = sum(p.abs().sum() for p in model.parameters())
loss = loss + l1_lambda * l1_norm
L2 的等效手动实现将是：
l2_norm = sum(p.pow(2.0).sum() for p in model.parameters())
资料来源：使用 PyTorch 进行深度学习(8.5.2)
于 2021-03-09T08:48:09.280 回答
5
有趣torch.norm的是在 CPU 上较慢，在 GPU 上较直接方法更快。
import torch
x = torch.randn(1024,100)
y = torch.randn(1024,100)
%timeit torch.sqrt((x - y).pow(2).sum(1))
%timeit torch.norm(x - y, 2, 1)
出去：
1000 loops, best of 3: 910 µs per loop
1000 loops, best of 3: 1.76 ms per loop
另一方面：
import torch
x = torch.randn(1024,100).cuda()
y = torch.randn(1024,100).cuda()
%timeit torch.sqrt((x - y).pow(2).sum(1))
%timeit torch.norm(x - y, 2, 1)
出去：
10000 loops, best of 3: 50 µs per loop
10000 loops, best of 3: 26 µs per loop
于 2019-05-02T11:36:45.420 回答