► Keras 3 API 文档 / 层 API / 层权重正则化器

层权重正则化器

正则化器允许您在优化过程中对层参数或层活动应用惩罚。这些惩罚被累加到网络优化的损失函数中。

正则化惩罚在每层的基础上应用。确切的 API 将取决于层，但许多层（例如 Dense、Conv1D、Conv2D 和 Conv3D）具有统一的 API。

这些层公开了 3 个关键字参数

kernel_regularizer：对层的核应用惩罚的正则化器
bias_regularizer：对层的偏置应用惩罚的正则化器
activity_regularizer：对层的输出应用惩罚的正则化器

from keras import layers
from keras import regularizers

layer = layers.Dense(
    units=64,
    kernel_regularizer=regularizers.L1L2(l1=1e-5, l2=1e-4),
    bias_regularizer=regularizers.L2(1e-4),
    activity_regularizer=regularizers.L2(1e-5)
)

activity_regularizer 对象返回的值将除以输入批次大小，这样权重正则化器和活动正则化器之间的相对权重不会随着批次大小的变化而变化。

您可以在将层应用于输入后，通过调用 layer.losses 来访问层的正则化惩罚。

from keras import ops

layer = layers.Dense(units=5,
                     kernel_initializer='ones',
                     kernel_regularizer=regularizers.L1(0.01),
                     activity_regularizer=regularizers.L2(0.01))
tensor = ops.ones(shape=(5, 5)) * 2.0
out = layer(tensor)
# The kernel regularization term is 0.25
# The activity regularization term (after dividing by the batch size) is 5
print(ops.sum(layer.losses))  # 5.25 (= 5 + 0.25)

可用的正则化器

以下内置正则化器作为 keras.regularizers 模块的一部分提供

[来源]

`Regularizer` 类

keras.regularizers.Regularizer()

正则化器基类。

正则化器允许您在优化过程中对层参数或层活动应用惩罚。这些惩罚被累加到网络优化的损失函数中。

正则化惩罚在每层的基础上应用。确切的 API 将取决于层，但许多层（例如 Dense、Conv1D、Conv2D 和 Conv3D）具有统一的 API。

这些层公开了 3 个关键字参数

kernel_regularizer：对层的核应用惩罚的正则化器
bias_regularizer：对层的偏置应用惩罚的正则化器
activity_regularizer：对层的输出应用惩罚的正则化器

所有层（包括自定义层）都将 activity_regularizer 暴露为可设置属性，无论它是否在构造函数参数中。

activity_regularizer 返回的值将除以输入批次大小，这样权重正则化器和活动正则化器之间的相对权重不会随着批次大小的变化而变化。

您可以在将层应用于输入后，通过调用 layer.losses 来访问层的正则化惩罚。

示例

>>> layer = Dense(
...     5, input_dim=5,
...     kernel_initializer='ones',
...     kernel_regularizer=L1(0.01),
...     activity_regularizer=L2(0.01))
>>> tensor = ops.ones(shape=(5, 5)) * 2.0
>>> out = layer(tensor)

>>> # The kernel regularization term is 0.25
>>> # The activity regularization term (after dividing by the batch size)
>>> # is 5
>>> ops.sum(layer.losses)
5.25

可用的惩罚

L1(0.3)  # L1 Regularization Penalty
L2(0.1)  # L2 Regularization Penalty
L1L2(l1=0.01, l2=0.01)  # L1 + L2 penalties

直接调用正则化器

通过直接调用正则化器来计算张量的正则化损失，就像它是一个单参数函数一样。

例如

>>> regularizer = L2(2.)
>>> tensor = ops.ones(shape=(5, 5))
>>> regularizer(tensor)
50.0

开发新的正则化器

任何接受权重矩阵并返回标量张量的函数都可以用作正则化器，例如

>>> def l1_reg(weight_matrix):
...    return 0.01 * ops.sum(ops.absolute(weight_matrix))
...
>>> layer = Dense(5, input_dim=5,
...     kernel_initializer='ones', kernel_regularizer=l1_reg)
>>> tensor = ops.ones(shape=(5, 5))
>>> out = layer(tensor)
>>> layer.losses
0.25

或者，您可以通过扩展此正则化器基类以面向对象的方式编写自定义正则化器，例如

>>> class L2Regularizer(Regularizer):
...   def __init__(self, l2=0.):
...     self.l2 = l2
...
...   def __call__(self, x):
...     return self.l2 * ops.sum(ops.square(x))
...
...   def get_config(self):
...     return {'l2': float(self.l2)}
...
>>> layer = Dense(
...   5, input_dim=5, kernel_initializer='ones',
...   kernel_regularizer=L2Regularizer(l2=0.5))

>>> tensor = ops.ones(shape=(5, 5))
>>> out = layer(tensor)
>>> layer.losses
12.5

关于序列化和反序列化的说明

如果您只是训练和执行模型、导出到和从 SavedModels 导出或保存和加载权重检查点，则将正则化器注册为可序列化的不是必需的。

对于将模型保存和加载到 HDF5 格式、Keras 模型克隆、某些可视化工具以及将模型导出到和从 JSON 导出，注册是必需的。如果使用此功能，您必须确保运行模型的任何 Python 进程也已定义并注册了自定义正则化器。

[来源]

`L1` 类

keras.regularizers.L1(l1=0.01)

应用 L1 正则化惩罚的正则化器。

L1 正则化惩罚计算如下：loss = l1 * reduce_sum(abs(x))

L1 可以作为字符串标识符传递给层

>>> dense = Dense(3, kernel_regularizer='l1')

在这种情况下，使用的默认值为 l1=0.01。

参数

l1：float，L1 正则化因子。

[来源]

`L2` 类

keras.regularizers.L2(l2=0.01)

应用 L2 正则化惩罚的正则化器。

L2 正则化惩罚计算如下：loss = l2 * reduce_sum(square(x))

L2 可以作为字符串标识符传递给层

>>> dense = Dense(3, kernel_regularizer='l2')

在这种情况下，使用的默认值为 l2=0.01。

参数

l2：float，L2 正则化因子。

[来源]

`L1L2` 类

keras.regularizers.L1L2(l1=0.0, l2=0.0)

同时应用 L1 和 L2 正则化惩罚的正则化器。

L1 正则化惩罚计算如下：loss = l1 * reduce_sum(abs(x))

L2 正则化惩罚计算如下 loss = l2 * reduce_sum(square(x))

L1L2 可以作为字符串标识符传递给层

>>> dense = Dense(3, kernel_regularizer='l1_l2')

在这种情况下，使用的默认值为 l1=0.01 和 l2=0.01。

参数

l1：float，L1 正则化因子。
l2：float，L2 正则化因子。

[来源]

`OrthogonalRegularizer` 类

keras.regularizers.OrthogonalRegularizer(factor=0.01, mode="rows")

鼓励输入向量彼此正交的正则化器。

它可以应用于矩阵的行 (mode="rows") 或列 (mode="columns")。当应用于形状为 (input_dim, units) 的 Dense 内核时，行模式将寻求使特征向量（即输出空间的基础）彼此正交。

参数

factor：Float。正则化因子。正则化惩罚将与 factor 乘以输入的 L2 归一化行（如果 mode="rows"，或列如果 mode="columns"）之间的点积的平均值成正比，不包括每行/列与其自身的乘积。默认为 0.01。
mode：String，{"rows", "columns"} 之一。默认为 "rows"。在行模式下，正则化效果力求使输入的行彼此正交。在列模式下，它力求使输入的列彼此正交。

示例

>>> regularizer = OrthogonalRegularizer(factor=0.01)
>>> layer = Dense(units=4, kernel_regularizer=regularizer)

创建自定义正则化器

简单可调用对象

权重正则化器可以是任何可调用对象，它接受权重张量（例如 Conv2D 层的内核）作为输入，并返回标量损失。像这样

def my_regularizer(x):
    return 1e-3 * ops.sum(ops.square(x))

`Regularizer` 子类

如果您需要通过各种参数（例如 l1_l2 中的 l1 和 l2 参数）来配置您的正则化器，则应将其实现为 keras.regularizers.Regularizer 的子类。

以下是一个简单的示例

class MyRegularizer(regularizers.Regularizer):

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

    def __call__(self, x):
        return self.strength * ops.sum(ops.square(x))

可选地，您还可以实现 get_config 方法和类方法 from_config 以支持序列化 - 就像任何 Keras 对象一样。示例

class MyRegularizer(regularizers.Regularizer):

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

    def __call__(self, x):
        return self.strength * ops.sum(ops.square(x))

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