Tensorflow-添加L2正则化损失的简单示例

Question

我熟悉机器学习，但是我正在阅读大学的一些幻灯片，从而独自学习Tensorflow。 下面，我仅使用一项功能设置线性回归的损失函数。 我正在将L2损失添加到总损失中，但是我不确定自己是否做得正确：

# 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. 我有两条线（分别称为reg 1和reg 2 ）来计算重量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. 我是否将正则化损失reg_loss正确添加到最终损失函数中？

Answer 1

几乎

根据L2Loss操作码

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

它也乘以0.5（或除以2 ）。

Answer 2

这两个L2实现是否等效？

就像@fabrizioM指出的那样，几乎可以在这里看到TensorFlow文档中l2_loss的介绍。

我是否将正则化损失reg_loss正确添加到最终损失函数中？

到现在为止还挺好 ： ）