import tensorflow as tf #获取一层神经网络边上的权重,并将这个权重的L2正则化损失加入名称为'losses'的集合中 def get_weight(shape, lambda): #生成一个变量 var = tf.Variable(tf.random_normal(shape), dtype = tf.float32) #add_to_collection函数将这个新生成变量的L2正则化损失加入集合 #这个函数的第一个参数'losses'是集合的名字,第二个参数是要加入这个集合的内容 tf.add_to_collection( 'losses', tf.contrib.layers.l2_regularizer(lambda)(var)) #返回生成的变量 return var x = tf.placeholder(tf.float32, shape=(None, 2)) y_ = tf.placeholder(tf.float32, shape=(None, 1)) batch_size = 8 #定义了每一层网络中节点的个数。 layer_dimension = [2, 10, 10, 10, 1] #神经网络的层数 n_layers = len(layer_dimension) #这个变量维护前向传播时最深层的节点,开始的时候就是输入层 cur_layer = x #当前层的节点个数。 in_dimension = layer_dimension[0] #通过一个循环来生成5层全连接的神经网络结构 for i in range(1, n_layers): #layer_dimension[i]为下一层的节点个数 out_dimension = lay_dimension[i] #生成当前层中权重的变量,并将这个变量的L2正则化损失加入计算图上的集合 weight = get_weight([in_dimension, out_dimension], 0.001) bias = tf.Variable(tf.constant(0.1, shape=[out_dimension])) #使用Relu激活函数 cur_layer = tf.nn.relu(tf.matmul(cur_layer, weight) + bias) #进入下一层之前将下一层的节点个数更新为当前节点的个数 in_dimension = layer_dimension[i] #在定义神经网路前向传播的同时已经将所有的L2正则化损失加入了图上的集合, #这里只需要计算刻画模型在训练数据上的表现的损失函数 mes_loss = tf.reduce_mean(tf.square(y_ - cur_layer)) #将均方误差损失函数加入损失集合。 tf.add_to_collection('losses', mes_loss) #get_collect返回一个列表,这个列表是所有这个集合的元素。在这个样例中, #这些元素就是损失函数的不同部分,将他们加起来就可以得到最终的损失函数. loss = tf.add_n(tf.get_collection('losses'))
通过集合计算一个5层神经网络带L2正则化的损失函数的计算方法
猜你喜欢
转载自blog.csdn.net/qq_34000894/article/details/80111085
今日推荐
周排行