层权重约束

约束的使用

keras.constraints 模块中的类允许在训练期间对模型参数设置约束（例如非负性）。它们是每次梯度更新后（使用 fit() 时）应用于目标变量的每变量投影函数。

具体的 API 将取决于层，但 Dense、Conv1D、Conv2D 和 Conv3D 层具有统一的 API。

这些层公开了两个关键字参数

• kernel_constraint 用于主权重矩阵
• bias_constraint 用于偏置。

from keras.constraints import max_norm
model.add(Dense(64, kernel_constraint=max_norm(2.)))

可用的权重约束

[源代码]

Constraint 类

keras.constraints.Constraint()

权重约束的基类。

Constraint 实例像一个无状态函数一样工作。继承此类的用户应覆盖 __call__() 方法，该方法接受一个权重参数并返回该参数的投影版本（例如归一化或裁剪）。约束可以通过 kernel_constraint 或 bias_constraint 参数与各种 Keras 层一起使用。

这是一个非负权重约束的简单示例

>>> class NonNegative(keras.constraints.Constraint):
...
...  def __call__(self, w):
...    return w * ops.cast(ops.greater_equal(w, 0.), dtype=w.dtype)

>>> weight = ops.convert_to_tensor((-1.0, 1.0))
>>> NonNegative()(weight)
[0.,  1.]

在层中的使用

>>> keras.layers.Dense(4, kernel_constraint=NonNegative())

[源代码]

MaxNorm 类

keras.constraints.MaxNorm(max_value=2, axis=0)

最大范数权重约束。

将每个隐藏单元的入射权重约束为小于或等于所需值的范数。

也可通过快捷函数 keras.constraints.max_norm 获取。

参数

• max_value：入射权重的最大范数值。
• axis：整数，计算权重范数的轴。例如，在 Dense 层中，权重矩阵的形状为 (input_dim, output_dim)，将 axis 设置为 0 以约束每个长度为 (input_dim,) 的权重向量。在 data_format="channels_last" 的 Conv2D 层中，权重张量的形状为 (rows, cols, input_depth, output_depth)，将 axis 设置为 [0, 1, 2] 以约束大小为 (rows, cols, input_depth) 的每个滤波器张量的权重。

[源代码]

MinMaxNorm 类

keras.constraints.MinMaxNorm(min_value=0.0, max_value=1.0, rate=1.0, axis=0)

最小最大范数权重约束。

将每个隐藏单元的入射权重约束为范数在下限和上限之间。

参数

• min_value：入射权重的最小范数。
• max_value：入射权重的最大范数。
• rate：强制约束的速率：权重将重新缩放以产生 (1 - rate) * norm + rate * norm.clip(min_value, max_value)。实际上，这意味着 rate=1.0 表示严格强制约束，而 rate<1.0 意味着权重将在每一步重新缩放，以缓慢地向所需区间内的值移动。
• axis：整数，计算权重范数的轴。例如，在 Dense 层中，权重矩阵的形状为 (input_dim, output_dim)，将 axis 设置为 0 以约束每个长度为 (input_dim,) 的权重向量。在 data_format="channels_last" 的 Conv2D 层中，权重张量的形状为 (rows, cols, input_depth, output_depth)，将 axis 设置为 [0, 1, 2] 以约束大小为 (rows, cols, input_depth) 的每个滤波器张量的权重。

[源代码]

NonNeg 类

keras.constraints.NonNeg()

将权重约束为非负。

[源代码]

UnitNorm 类

keras.constraints.UnitNorm(axis=0)

将每个隐藏单元的入射权重约束为单位范数。

参数

• axis：整数，计算权重范数的轴。例如，在 Dense 层中，权重矩阵的形状为 (input_dim, output_dim)，将 axis 设置为 0 以约束每个长度为 (input_dim,) 的权重向量。在 data_format="channels_last" 的 Conv2D 层中，权重张量的形状为 (rows, cols, input_depth, output_depth)，将 axis 设置为 [0, 1, 2] 以约束大小为 (rows, cols, input_depth) 的每个滤波器张量的权重。

创建自定义权重约束

权重约束可以是任何可调用对象，它接受一个张量并返回具有相同形状和数据类型的张量。您通常会将约束实现为 keras.constraints.Constraint 的子类。

这是一个简单的示例：一个强制权重张量平均值围绕特定值居中的约束。

from keras import ops

class CenterAround(keras.constraints.Constraint):
  """Constrains weight tensors to be centered around `ref_value`."""

  def __init__(self, ref_value):
    self.ref_value = ref_value

  def __call__(self, w):
    mean = ops.mean(w)
    return w - mean + self.ref_value

  def get_config(self):
    return {'ref_value': self.ref_value}

可选地，您还可以实现 get_config 方法和 from_config 类方法以支持序列化——就像任何 Keras 对象一样。请注意，在上面的示例中我们不必实现 from_config，因为类的构造函数参数与 get_config 返回的配置中的键相同。在这种情况下，默认的 from_config 也能正常工作。