回答情况：
提问时间：
问题标签：
opt=proximal_gradient_descent.ProximalGradientDescentOptimizer(learningrate,l1_regularization_strength, l2_regularization_strength)
既然我们知道近端梯度下降是以l1范数和l2范数作为正则化的，那么我的问题就来了：，我不知道regularization_strength是否可以传递给优化器。
对这些问题有想法的人，请告诉我。谢谢!
浏览 11修改于2017-07-21得票数 1
除了总损失外，我还从网络中添加了REGULARIZATION_LOSSES。total_loss = tf.add_n([dice_coefficient_output+IOU_output]+tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES在解码丢失值之后，tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)有每个层的值列表，在大多数层中，返回nan。我试图降低学习速度，改变l2 regularization中的
浏览 10提问于2022-11-06得票数 0
回答已采纳
我正在试着在sklearn中调优的超参数，想知道l2_regularization的可能值是什么，其余的参数网格看起来像这样- 'learning_rate': [所以我想知道l2_regularization的值是什么样的？它们是像.1, .2一样的学习率还是整数？据我所知，l2用于正则化惩罚，以减少模型中的方差。如果我说错了，请纠正我
浏览 121提问于2021-06-12得票数 0
回答已采纳
当我把它放到我的代码中时：weightss=tf.trainable_variables()reg=tf.contrib.layers.apply_regularization
浏览 0提问于2017-06-28得票数 0
tf.contrib.layers.l1_l2_regularize(self.config["L1_reg"], self.config["L2_reg"])
loss_reg = tf.contrib.layers.apply_regularization
浏览 394提问于2021-06-24得票数 0
下面是对报告文件的描述：input convolution channels: 8 activation: relu l1 regularization: 0.0hidden maxpool pool size: 2hidden flatten
hidden dense neurons: 64 activation:
浏览 1提问于2020-06-25得票数 0
= tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)还是他们俩都错了？编辑
浏览 6修改于2017-12-07得票数 3
回答已采纳
=======] - 68s 220ms/step - ndcg_metric: 0.7687 - root_mean_squared_error: 0.7584 - loss: 19.7870 - regularization_loss: 19.7870 - val_ndcg_metric: 0.8302 - val_root_mean_squared_error: 1.1678 - val_loss: 19.6306 - val_regularization_loss=======] - 62s 215ms/step - ndcg_m
浏览 29提问于2021-10-27得票数 0
回答已采纳
Step 6: Initialize the RNN
#Adding the first LSTM layer and some Dropout <em
浏览 0提问于2019-11-07得票数 0
```javascriptregularization = 0.if self.l1:# \lambda ||x||if self.fuse: regularization += self.fuse * K.sum(K.abs(x - np.roll(x, 1)))
浏览 0提问于2017-08-01得票数 0
回答已采纳
我发现FTRL优化器的初始参数是：initial_accumulator_value: 0.1, l2_regularization_strength: 0.0
但是，我如何微调参数以使其更好呢？
浏览 34修改于2017-01-14得票数 0
1回答
有谁能建议堆叠稀疏自动编码器参数的值：
L2 Weight Regularization ( Lambda) Sparsity Regularization
浏览 2提问于2016-12-02得票数 0
关于两个图，我们想要有重量正则化损失，因此我们使用tf.losses.get_regularization_loss()。tf.get_or_create_global_step()
loss = 0.0如果保留tf.losses.get_regularization_loss()，就会得到错误：
否则，就没有错误。如果我们要强制
浏览 0修改于2019-06-25得票数 2
为此，我需要改变三种方法-您可以在下面看到，我将L2_regularization = None作为init我可以复制这三种功能并对它们进行更改，在培训中询问：
if self.regularization: cost = self.cost_reg(input) # as if i'm overriding，，我不想在每次迭代中检查self.regularization is True还是self.regularizat
浏览 3修改于2022-03-29得票数 1
回答已采纳
为此，我将所有权重和偏差添加到“tf.GraphKeys.REGULARIZATION_LOSSES”中，并希望使用in定义的函数计算l2损失：b = tf.Variable(tf.ones([outputDim])/10, name='b')
tf.add_to_collection(
浏览 0提问于2018-10-29得票数 0
回答已采纳
我有一个数据库表，其中包含以下列regularization_dt、modified_dt和account_id。对于特定的帐户，每当更新帐户时，都会向表中添加一个条目，其中包含regularization_dt和account_id的新modified_dt。regularization_dt | account_id | modified_dt03-28-2013
浏览 2修改于2014-10-21得票数 0
描述-X - tf.Variable函数construct_loss_functionimport tensorflow as tf penalty = loss_info['penalty_type= get_L2_penalty(X[X_00:X_10, X_01:X_11], alpha)
浏览 16提问于2022-03-31得票数 0
# evaluate a Neural Networks with ReLU and L1 norm regularization
from numpycross-validation procedure (10X10)<
浏览 2修改于2022-10-05得票数 0
2回答
num_correlations, unsigned long q = 2, unsigned long extra_rank = 5, double regularizationDLIB_ASSERT( num_correlations > 0 && L.size
浏览 4提问于2016-03-11得票数 1
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号