► Keras 3 API文档 / 层API / 层权重正则化器

层权重正则化器

正则化器允许你在优化过程中对层参数或层活动应用惩罚。这些惩罚被加到网络正在优化的损失函数中。

正则化惩罚是逐层应用的。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: 用于对层权重（kernel）应用惩罚的正则化器
bias_regularizer: 用于对层偏置（bias）应用惩罚的正则化器
activity_regularizer: 用于对层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 对象返回的值会被输入批次大小整除，因此权重正则化器和活动正则化器之间的相对权重不会随批次大小而改变。

在对层输入进行调用后，你可以通过调用 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)

可用正则化器

以下内置正则化器可作为 keras.regularizers 模块的一部分使用。

[源代码]

`Regularizer` 类

keras.regularizers.Regularizer()

正则化器基类。

正则化器允许你在优化过程中对层参数或层活动应用惩罚。这些惩罚被加到网络正在优化的损失函数中。

正则化惩罚是逐层应用的。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: 用于对层权重（kernel）应用惩罚的正则化器
bias_regularizer: 用于对层偏置（bias）应用惩罚的正则化器
activity_regularizer: 用于对层输出应用惩罚的正则化器

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

activity_regularizer 返回的值会被输入批次大小整除，因此权重正则化器和活动正则化器之间的相对权重不会随批次大小而改变。

在对层输入进行调用后，你可以通过调用 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

通过直接将正则化器当作一个单参数函数来调用，计算张量的正则化损失。

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，你可以通过继承这个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

如果你只是进行模型训练和执行，导出到 SavedModels，或保存和加载权重检查点，那么将正则化器注册为可序列化是可选的。

为了将模型保存和加载到 HDF5 格式，进行 Keras 模型克隆，以及使用某些可视化工具，还有将模型导出到和从 JSON，则需要注册。如果你使用这些功能，你必须确保运行模型的任何 Python 进程也已定义并注册了你的自定义正则化器。

[源代码]

`L1` 类

keras.regularizers.L1(l1=0.01)

一个应用 L1 正则化惩罚的正则化器。

L1 正则化惩罚的计算公式为：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。

[源代码]

`L2` 类

keras.regularizers.L2(l2=0.01)

一个应用 L2 正则化惩罚的正则化器。

L2 正则化惩罚的计算公式为：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。

[源代码]

`L1L2` 类

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

一个同时应用 L1 和 L2 正则化惩罚的正则化器。

L1 正则化惩罚的计算公式为：loss = l1 * reduce_sum(abs(x))

L2 正则化惩罚的计算公式为 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。

[源代码]

`OrthogonalRegularizer` 类

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

一个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 权重时，行模式将试图使特征向量（即输出空间的基）彼此正交。

参数

factor：Float。正则化因子。正则化惩罚将与 factor 乘以 L2 归一化行（如果 mode="rows"，或列如果 mode="columns"）的点积的平均值成比例，不包括每个行/列与自身的乘积。默认为 0.01。
mode：String，可选值包括 {"rows", "columns"}。默认为 "rows"。在行模式下，正则化效果旨在使输入行彼此正交。在列模式下，它旨在使输入列彼此正交。

示例

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

创建自定义正则化器

简单的可调用对象

权重正则化器可以是任何接受权重张量（例如 Conv2D 层的 kernel）作为输入，并返回标量损失的可调用对象。如下所示：

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

`Regularizer` 子类

如果你需要通过各种参数（例如 l1_l2 中的 l1 和 l2 参数）来配置你的正则化器，你应该将其实现为 keras.regularizers.Regularizer 的子类。

这是一个简单的例子：

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，你还可以实现 get_config 方法和 from_config 类方法，以便支持序列化 - 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}