我熟悉机器学习,但我正在通过阅读大学的一些幻灯片来学习Tensorflow。下面我只用一个功能设置线性回归的损失函数。我在总损失中添加了L2损失,但我不确定我是否正确执行此操作:
# Regularization
reg_strength = 0.01
# Create the loss function.
with tf.variable_scope("linear-regression"):
W = tf.get_variable("W", shape=(1, 1), initializer=tf.contrib.layers.xavier_initializer())
b = tf.get_variable("b", shape=(1,), initializer=tf.constant_initializer(0.0))
yhat = tf.matmul(X, W) + b
error_loss = tf.reduce_sum(((y - yhat)**2)/number_of_examples)
#reg_loss = reg_strength * tf.nn.l2_loss(W) # reg 1
reg_loss = reg_strength * tf.reduce_sum(W**2) # reg 2
loss = error_loss + reg_loss
# Set up the optimizer.
opt_operation = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
我的具体问题是:
我有两行(注释为reg 1
和reg 2
),用于计算权重W
的L2损失。标有reg 1
的行使用Tensorflow内置函数。这两个L2实现是否相同?
我是否正确地将正则化损失reg_loss
添加到最终损失函数中?
答案 0 :(得分:2)
几乎
According to the L2Loss operation code
output.device(d) = (input.square() * static_cast<T>(0.5)).sum();
它也乘以0.5(或换句话说,它除以2
)
答案 1 :(得分:1)
这两个L2实现是否相同?
几乎,正如@fabrizioM指出的那样,您可以在TensorFlow文档中看到here对l2_loss的介绍。
我是否正确地将正则化损失reg_loss添加到最终损失函数中?
到目前为止一直很好:)