在Tensorflow LSTM Regularization之后,我试图在LSTM单元的参数训练时,在代价函数中加入正则化项。在
抛开一些常数,我有:
def RegularizationCost(trainable_variables):
cost = 0
for v in trainable_variables:
cost += r(tf.reduce_sum(tf.pow(r(v.name),2)))
return cost
...
regularization_cost = tf.placeholder(tf.float32, shape = ())
cost = tf.reduce_sum(tf.pow(pred - y, 2)) + regularization_cost
optimizer = tf.train.AdamOptimizer(learning_rate = 0.01).minimize(cost)
...
tv = tf.trainable_variables()
s = tf.Session()
r = s.run
...
while (...):
...
reg_cost = RegularizationCost(tv)
r(optimizer, feed_dict = {x: x_b, y: y_b, regularization_cost: reg_cost})
我遇到的问题是,添加正则化项极大地减慢了学习过程,实际上,当与pred - y
相关的项几乎停滞时,正则化项{
我怀疑我用完全错误的方式添加了这个术语。我不知道如何在成本函数本身中添加这个术语,所以我使用了标量的解决方法tf.占位符并“人工”计算了正规化成本。如何正确处理?在
因为每次迭代都会减慢你的代码。这不是你用TF编写代码的方式。首先,创建整个图,包括正则化项,然后在while循环中只执行每个转铁器XXX“操作创建新节点。在
仅计算一次L2损耗:
您可能需要删除
bias
的变量,因为这些变量不应该正则化。在相关问题 更多 >
编程相关推荐