► 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施加惩罚。这些惩罚会被累加到网络优化的损失函数中。

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。

这些层暴露了 3 个关键字参数

kernel_regularizer：应用于层核的正则化器
bias_regularizer：应用于层偏置的正则化器
activity_regularizer：应用于层输出的正则化器

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 对象返回的值会除以输入批量大小，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批量大小而改变。

您可以通过在输入上调用层之后调用 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

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

[源代码]

`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施加惩罚。这些惩罚会被累加到网络优化的损失函数中。

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。

这些层暴露了 3 个关键字参数

kernel_regularizer：应用于层核的正则化器
bias_regularizer：应用于层偏置的正则化器
activity_regularizer：应用于层输出的正则化器

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

activity_regularizer 返回的值会除以输入批量大小，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批量大小而改变。

您可以通过在输入上调用层之后调用 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

通过直接调用正则化器（就像它是一个单参数函数一样）来计算张量上的正则化损失。

例如。

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

开发新的正则化器

任何接收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注意事项

如果您只是训练和执行模型，导出到和从 SavedModels 导出，或者保存和加载权重检查点，则将正则化器注册为可序列化是可选的。

保存和加载 HDF5 格式的模型、Keras 模型克隆、一些可视化工具以及导出模型到和从 JSON 需要注册。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您的自定义正则化器。

[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 正则化惩罚计算为：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：浮点数，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 正则化惩罚计算为：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：浮点数，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 正则化惩罚计算为：loss = l1 * reduce_sum(abs(x))

L2 正则化惩罚计算为 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：浮点数，L1 正则化因子。
l2：浮点数，L2 正则化因子。

[源代码]

`OrthogonalRegularizer` 类

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

鼓励输入向量相互正交的正则化器。

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 核时，行模式将力求使特征向量（即输出空间的基础）相互正交。

参数

factor：浮点数。正则化因子。正则化惩罚将与 factor 乘以输入 L2 归一化行（如果 mode="rows"，或列如果 mode="columns"）之间的点积平均值成比例，不包括每行/列与其自身的乘积。默认为 0.01。
mode：字符串，{"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相互正交。在列模式下，它力求使输入的列相互正交。

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，它将权重张量（例如 Conv2D 层的核）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）配置您的正则化器，您应该将其实现为 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))

或者，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。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}