machine learning - TensorFlow: regularización con pérdida de L2, ¿cómo aplicarlo a todos los pesos, no solo al último?

machine-learning neural-network

Question

Estoy jugando con un ANN que forma parte del curso Udacity DeepLearning.

Tengo una tarea que implica introducir la generalización en la red con una capa ReLU oculta usando la pérdida L2. Me pregunto cómo introducirlo adecuadamente para que se penalicen TODOS los pesos, no solo los pesos de la capa de salida.

El código para la red sin generalización se encuentra en la parte inferior de la publicación (el código para ejecutar la capacitación está fuera del alcance de la pregunta).

La forma obvia de introducir el L2 es reemplazar el cálculo de pérdida con algo como esto (si beta es 0.01):

loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(out_layer, tf_train_labels) + 0.01*tf.nn.l2_loss(out_weights))

Pero en tal caso tendrá en cuenta los valores de los pesos de la capa de salida. No estoy seguro, ¿cómo penalizamos adecuadamente los pesos que entran en la capa oculta de ReLU? ¿Es necesario o la penalización de la capa de salida también mantendrá los pesos ocultos bajo control?

#some importing
from __future__ import print_function
import numpy as np
import tensorflow as tf
from six.moves import cPickle as pickle
from six.moves import range
#loading data
pickle_file = ''/home/maxkhk/Documents/Udacity/DeepLearningCourse/SourceCode/tensorflow/examples/udacity/notMNIST.pickle''
with open(pickle_file, ''rb'') as f:
save = pickle.load(f)
train_dataset = save[''train_dataset'']
train_labels = save[''train_labels'']
valid_dataset = save[''valid_dataset'']
valid_labels = save[''valid_labels'']
test_dataset = save[''test_dataset'']
test_labels = save[''test_labels'']
del save # hint to help gc free up memory
print(''Training set'', train_dataset.shape, train_labels.shape)
print(''Validation set'', valid_dataset.shape, valid_labels.shape)
print(''Test set'', test_dataset.shape, test_labels.shape)
#prepare data to have right format for tensorflow
#i.e. data is flat matrix, labels are onehot
image_size = 28
num_labels = 10
def reformat(dataset, labels):
dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
# Map 0 to [1.0, 0.0, 0.0 ...], 1 to [0.0, 1.0, 0.0 ...]
labels = (np.arange(num_labels) == labels[:,None]).astype(np.float32)
return dataset, labels
train_dataset, train_labels = reformat(train_dataset, train_labels)
valid_dataset, valid_labels = reformat(valid_dataset, valid_labels)
test_dataset, test_labels = reformat(test_dataset, test_labels)
print(''Training set'', train_dataset.shape, train_labels.shape)
print(''Validation set'', valid_dataset.shape, valid_labels.shape)
print(''Test set'', test_dataset.shape, test_labels.shape)
#now is the interesting part - we are building a network with
#one hidden ReLU layer and out usual output linear layer
#we are going to use SGD so here is our size of batch
batch_size = 128
#building tensorflow graph
graph = tf.Graph()
with graph.as_default():
# Input data. For the training data, we use a placeholder that will be fed
# at run time with a training minibatch.
tf_train_dataset = tf.placeholder(tf.float32,
shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
#now let''s build our new hidden layer
#that''s how many hidden neurons we want
num_hidden_neurons = 1024
#its weights
hidden_weights = tf.Variable(
tf.truncated_normal([image_size * image_size, num_hidden_neurons]))
hidden_biases = tf.Variable(tf.zeros([num_hidden_neurons]))
#now the layer itself. It multiplies data by weights, adds biases
#and takes ReLU over result
hidden_layer = tf.nn.relu(tf.matmul(tf_train_dataset, hidden_weights) + hidden_biases)
#time to go for output linear layer
#out weights connect hidden neurons to output labels
#biases are added to output labels
out_weights = tf.Variable(
tf.truncated_normal([num_hidden_neurons, num_labels]))
out_biases = tf.Variable(tf.zeros([num_labels]))
#compute output
out_layer = tf.matmul(hidden_layer,out_weights) + out_biases
#our real output is a softmax of prior result
#and we also compute its cross-entropy to get our loss
loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(out_layer, tf_train_labels))
#now we just minimize this loss to actually train the network
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
#nice, now let''s calculate the predictions on each dataset for evaluating the
#performance so far
# Predictions for the training, validation, and test data.
train_prediction = tf.nn.softmax(out_layer)
valid_relu = tf.nn.relu( tf.matmul(tf_valid_dataset, hidden_weights) + hidden_biases)
valid_prediction = tf.nn.softmax( tf.matmul(valid_relu, out_weights) + out_biases)
test_relu = tf.nn.relu( tf.matmul( tf_test_dataset, hidden_weights) + hidden_biases)
test_prediction = tf.nn.softmax(tf.matmul(test_relu, out_weights) + out_biases)

Answer 1

De hecho, generalmente no regularizamos los términos de sesgo (intercepciones). Entonces, voy por:

loss = (tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
logits=out_layer, labels=tf_train_labels)) +
0.01*tf.nn.l2_loss(hidden_weights) +
0.01*tf.nn.l2_loss(out_weights))

Al penalizar el término de intersección, a medida que la intersección se agrega a los valores de y, dará como resultado el cambio de los valores de y, agregando una constante c a las intersecciones. Tenerlo o no no cambiará los resultados, pero toma algunos cálculos

Answer 2

Una forma más corta y escalable de hacer esto sería;

vars = tf.trainable_variables()
lossL2 = tf.add_n([ tf.nn.l2_loss(v) for v in vars ]) * 0.001

Básicamente, esto suma el l2_loss de todas sus variables entrenables. También puede hacer un diccionario donde especifique solo las variables que desea agregar a su costo y use la segunda línea anterior. Luego puede agregar lossL2 con su valor de entropía cruzada softmax para calcular su pérdida total.

Editar : como mencionó Piotr Dabkowski, el código anterior también regularizará los sesgos . Esto se puede evitar agregando una instrucción if en la segunda línea;

lossL2 = tf.add_n([ tf.nn.l2_loss(v) for v in vars
if ''bias'' not in v.name ]) * 0.001

Esto se puede usar para excluir otras variables.

Answer 3

hidden_weights , hidden_biases , out_weights y out_biases son todos los parámetros del modelo que está creando. Puede agregar la regularización L2 a TODOS estos parámetros de la siguiente manera:

loss = (tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
logits=out_layer, labels=tf_train_labels)) +
0.01*tf.nn.l2_loss(hidden_weights) +
0.01*tf.nn.l2_loss(hidden_biases) +
0.01*tf.nn.l2_loss(out_weights) +
0.01*tf.nn.l2_loss(out_biases))