爱德华的权重的L2正则化

Question

我试图了解我们如何才能将正则化与Edward模型一起使用 。 我仍然对tensorflow（用作Edward的后端）不熟悉。 考虑下面的模型，

# prior
w=Normal(loc=tf.zeros((d,c)),scale=tf.ones((d,c)))

# likelihood
y=Categorical(logits=tf.matmul(X,w))

# posterior
loc_qw = tf.get_variable("qw/loc", [d, c])
scale_qw = tf.nn.softplus(tf.get_variable("qw/scale", [d, c]))
qw = Normal(loc=loc_qw, scale=scale_qw)

# inference 
inference = ed.KLqp({w: qw, b: qb}, data={X:train_X, y:train_y})

我注意到爱德华在损失函数中使用了正则化损失。 loss = -(p_log_lik - kl_penalty - reg_penalty)

但是，我不知道如何将正则化损失应用于Edward模型。 我们如何向上述模型添加L1或L2正则化？

谢谢！

Answer 1

我知道Normal优先级等同于l2正则化。 成像先验是否不正常，以及是否要规范化随机优化过程中尝试估算的参数。

我发现可以使用后验tf变量的正则化器参数来完成此操作。

loc_qw = tf.get_variable("qw/loc", [d, c], regularizer=tf.contrib.layers.l2_regularizer(reg_scale) )