正则化缓解过拟合

版权声明：转载注明出处 https://blog.csdn.net/J0Han/article/details/82935944

正则化缓解过拟合

正则化在损失函数中引入模型复杂度指标，利用给w参数加权值，弱化了训练数据的噪声（一般不正则化b）

loss = loss(y与y_) + REGULARIZER * loss(w)

• loss(y与y_)指的是模型中所有参数的损失函数，如：交叉熵，均方误差
• REGULARIZER指的是参数w在总loss中所占的比例，即正则化的权重
• loss(w)中的w就是需要正则化的参数

loss(w)有两种计算方法：

1. loss(w) = tf.contrib.layers.l1_regularizer(REGULARIZER)(w) 是L1正则化计算
   $loss_{L1}=\sum_{i}|wi|$

2. loss(w) = tf.contrib.layers.l2_regularizer(REGULARIZER)(w) 是L2正则化计算

$loss_{L1}=\sum_{i}|wi^2|$

tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w)) 

这段代码是指把计算好的所有w正则化的参数加在losses集合中

loss = cem + tf.add_n(tf.get_collection('losses'))

这段代码指的是把losses里的所有值相加再加上交叉熵构成了总损失函数loss