L2正则化在咖啡，转换从千层面

Question

我有一个千层面密码。我想用caffe创建相同的网络。我可以转换网络。但我需要帮忙处理千层面的超参数。千层面的超参数看上去就像：

lr = 1e-2
weight_decay = 1e-5

prediction = lasagne.layers.get_output(net['out'])
loss = T.mean(lasagne.objectives.squared_error(prediction, target_var))

weightsl2 = lasagne.regularization.regularize_network_params(net['out'], lasagne.regularization.l2)
loss += weight_decay * weightsl2

如何在caffe中执行L2正则化部分？是否必须在每个卷积/内积层之后添加正则化层？我的solver.prototxt的相关部分如下：

base_lr: 0.01
lr_policy: "fixed"
weight_decay: 0.00001
regularization_type: "L2"
stepsize: 300
gamma: 0.1  
max_iter: 2000
momentum: 0.9

也在http://datascience.stackexchange.com上发布。等待答案。

Answer 1

看来你已经弄好了。

weight_decay元参数与'solver.prototxt'中的regularization_type: "L2"相结合，告诉caffe在weight_decay = 1e-5中使用L2正则化。

您可能还要调整的另一件事是正则化对每个参数的影响程度。您可以为网络中的每个参数blob设置以下内容

param { decay_mult: 1 }

例如，带有偏置的"InnerProduct"层有两个参数：

layer {
  type: "InnerProduct"
  name: "fc1"
  # bottom and top here
  inner_product_param { 
    bias_term: true
    # ... other params
  }
  param { decay_mult: 1 } # for weights use regularization
  param { decay_mult: 0 } # do not regularize the bias
}

默认情况下，decay_mult被设置为1，即网的所有权重都是正则化的。您可以更改这一点，以规范更多/不太特定的参数块。