11

我在使用Tensorflow Probability实现的贝叶斯神经网络上运行示例代码。

我的问题是关于用于变分推理的 ELBO 损失的实现。ELBO 等于两项之和，即neg_log_likelihood在kl代码中实现。我很难理解该kl术语的实施。

以下是模型的定义方式：

with tf.name_scope("bayesian_neural_net", values=[images]):
  neural_net = tf.keras.Sequential()
  for units in FLAGS.layer_sizes:
    layer = tfp.layers.DenseFlipout(units, activation=FLAGS.activation)
    neural_net.add(layer)
  neural_net.add(tfp.layers.DenseFlipout(10))
  logits = neural_net(images)
  labels_distribution = tfd.Categorical(logits=logits)

以下是“kl”术语的定义：

kl = sum(neural_net.losses) / mnist_data.train.num_examples

我不确定neural_net.losses这里返回的是什么，因为没有为neural_net. 显然，会有一些返回值neural_net.losses，但是我不知道返回值是什么意思。对此有何评论？

我的猜测是 L2 规范，但我不确定。如果是这样的话，我们仍然缺少一些东西。根据VAE论文附录 B，作者在先验为标准正态时推导出 KL 项。事实证明，它非常接近变分参数的 L2 范数，除了有额外的对数方差项和常数项。对此有何评论？

4

1 回答 1

4

TensorFlow Keras 层的losses属性表示副作用计算，例如正则化器惩罚。与特定 TensorFlow 变量的正则化惩罚不同，这里的代表 KL 散度计算。查看此处的实现以及文档字符串的示例：losses

我们用变分推理来说明贝叶斯神经网络，假设数据集为features和labels。

  import tensorflow_probability as tfp
  model = tf.keras.Sequential([
      tfp.layers.DenseFlipout(512, activation=tf.nn.relu),
      tfp.layers.DenseFlipout(10),
  ])
  logits = model(features)
  neg_log_likelihood = tf.nn.softmax_cross_entropy_with_logits(
      labels=labels, logits=logits)
  kl = sum(model.losses)
  loss = neg_log_likelihood + kl
  train_op = tf.train.AdamOptimizer().minimize(loss)

它使用 Flipout 梯度估计器将 Kullback-Leibler 散度最小化为一个常数，也称为负证据下限。它由两项之和组成：预期负对数似然，我们通过蒙特卡洛近似；和 KL 散度，它是通过作为层参数的正则项添加的。

于 2018-04-27T17:31:17.067 回答