Tensorflow -添加L2正则化损失简单示例

Question

我对机器学习很熟悉，但我正在通过读一些大学幻灯片来自学Tensorflow。下面，我建立了线性回归的损失函数，只有一个特征。我在总损失中添加了一个L2损失，但我不确定是否正确：

# Regularization
reg_strength = 0.01

# Create the loss function.
with tf.variable_scope("linear-regression"):
    W    = tf.get_variable("W", shape=(1, 1), initializer=tf.contrib.layers.xavier_initializer())
    b    = tf.get_variable("b", shape=(1,), initializer=tf.constant_initializer(0.0))
    yhat = tf.matmul(X, W) + b

    error_loss = tf.reduce_sum(((y - yhat)**2)/number_of_examples)
    #reg_loss   = reg_strength * tf.nn.l2_loss(W)   # reg 1
    reg_loss   = reg_strength * tf.reduce_sum(W**2) # reg 2
    loss       = error_loss + reg_loss

# Set up the optimizer.
opt_operation = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

我的具体问题是：

1. 我有两行(注释为reg 1和reg 2)来计算体重W的L2损失。标记为reg 1的行使用Tensorflow内置函数。这两个L2实现是否等效？
2. 是否将正则化损失reg_loss正确地添加到最终损失函数中？

Answer 1

这两个L2实现是否等效？

几乎，正如@fabrizioM所指出的，您可以看到这里介绍TensorFlow文档中的l2_loss。

是否将正则化损失reg_loss正确地添加到最终损失函数中？

到目前为止还不错：)

Answer 2

差不多了

根据L2Loss操作代码

output.device(d) = (input.square() * static_cast<T>(0.5)).sum();

它也乘以0.5 (换句话说，它除以2)