愛德華的權重的L2正則化

Question

我試圖了解我們如何才能將正則化與Edward模型一起使用 。 我仍然對tensorflow（用作Edward的后端）不熟悉。 考慮下面的模型，

# 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})

我注意到愛德華在損失函數中使用了正則化損失。 loss = -(p_log_lik - kl_penalty - reg_penalty)

但是，我不知道如何將正則化損失應用於Edward模型。 我們如何向上述模型添加L1或L2正則化？

謝謝！

Answer 1

我知道Normal優先級等同於l2正則化。 成像先驗是否不正常，以及是否要規范化隨機優化過程中嘗試估算的參數。

我發現可以使用后驗tf變量的正則化器參數來完成此操作。

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