1回答
我正在寻找一个适当的方法，以实现一个动态的正则化的一个层，在培训期间。例如，经过10次调用后，我希望将L2正则化替换为L1正则化，只对MyLayer的特定权重进行正则化。以下是该层实现的示例： def __init__(...)some code self.regula
浏览 3提问于2020-12-29得票数 0
回答已采纳
1回答
我在一个项目中使用Keras。我想知道在卷积层中添加任何类型的正则化组件(如内核、偏差或活动正则化)是否有任何意义，即Keras中的Conv2D。如果是，那么哪种正则化对conv2d层最有用偏向正如所解释的这里，正则化技术是有用的完全连接(密集)层。conv2D有这样的直觉/逻辑吗？
浏览 0提问于2018-11-19得票数 6
回答已采纳
我想将以下滑雪板模型移植到keras：到目前为止，我得到的是：from keras.layers import Dense
alpha :浮动，可选，默认0.0001 L2惩罚(正则</
浏览 0提问于2019-07-28得票数 2
回答已采纳
如本文所述，我想用nsl.keras.GraphRegularization训练二元目标深度神经网络模型。我的模型在中间稠密层中有一个，不应该是“图正则化”。来自吉顿的nsl.keras.GraphRegularization ：
图正则化是在逻辑层上进行的，只有在训练过程中才能进行。这意味着中间三重态半硬损失不会受到这种正则化的影响。
浏览 8提问于2019-12-04得票数 0
回答已采纳
1回答
例如，使用tf.keras.optimizers.schedules可以很容易地改变学习速度optimizer = tf.keras.optimizers.SGD(learning_rate=lr_schedule)r_schedule = tf.keras.optimizers.schedule
浏览 1提问于2022-04-26得票数 1
回答已采纳
1回答
在Keras中有：keras.regularizers.l1(0.)keras.regularizers.l1_l2(l1=0.01, l2=0.01)keras<
浏览 0提问于2019-04-11得票数 1
3回答
有没有办法在Keras中设置全局权重衰减？
我知道使用正则化器()的层明智的方法，但我找不到任何关于设置全局权重衰减的方法的信息。
浏览 0提问于2016-12-21得票数 15
回答已采纳
我正在尝试导入一些正则化程序，代码如下： import tensorflow as tfimport numpy as np
from tf.keras.regularizers import l2, activity_l2 问题是我得到了以下错误： ------------------------last)
~\AppData\Local\Temp/ipykernel_8996/2415362
浏览 49提问于2021-09-29得票数 0
利用L1正则化方法对Keras中的神经网络参数进行keras.regularizers.l1(0.01)正则化，得到稀疏模型。我发现，虽然我的许多系数接近于零，但它们中的一些实际上是零。通过查看，它建议Keras简单地将参数的L1范数添加到损失函数中。编辑：也是
浏览 8提问于2017-03-31得票数 13
我知道正则化通常会增加k*w^2来惩罚大重量的损失。但是在Keras中有两个正则化参数- weight_regularizer和activity_正则化。有什么关系？
浏览 3提问于2016-12-22得票数 4
回答已采纳
1回答
用ANNs规范实践
、、、
我从一些例子中了解到在ANNs (具体地说，在Keras实现)中存在正则化选项。据我所知，正则化一般是对参数的一种“惩罚”，以防止模型的复杂性和过度拟合。因此，Keras中的W_regularizer和b_regularizer选项是用于权重和偏差参数正则化的，除非我弄错了。但activity_regularizer是干什么用的呢？它与重量/偏差正则化有什么关系？更广泛地说:使用所有这些正则</em
浏览 0提问于2016-11-17得票数 7
对于L1-正则化，我使用tf.contrib.layers.l1_regularizer。我不知道怎样才能把正则化器应用到重量上。tf.contrib.layers.apply_regularization(l1_regularizer, model.trainable_weights)也将正则化应用于偏置，因为model.trainable_weightstf.train.GradientDescentOptimizer(learning_rate=0.5)
global_step
浏览 0提问于2018-10-19得票数 0
回答已采纳
是否可以使用Tensorflow.Keras将正则化应用于模型层，而不是添加的层。我不认为将正则化仅添加到一层会对结果产生太大影响。我知道我们可以对添加的层应用正则化，如下所示： x = Dense(classes, kernel_regularizer=l2(reg), name="labels")(x) 但是在Keras中也可以对其他层应用正则化吗
浏览 45提问于2020-07-22得票数 1
回答已采纳
这些损失不会作为模型拓扑的一部分进行跟踪，因为它们不能序列化。inputs = tf.keras.Input(shape=(10,))outputs = tf.keras.layers.Dense(1)(x)# Weight regularization.
model.add_loss(lambda: tf.reduce_mean(x.kernel
浏览 6提问于2020-06-19得票数 2
回答已采纳
2回答
在Keras中，对于密集层，我们可以使用参数activity_regularizer。在Tensorflow中，没有类似的参数。喀拉斯：encoding_dim = 32# add a Dense layer
浏览 0提问于2018-04-30得票数 4
回答已采纳
1回答
总损失由两部分组成: 1)正则化损失；2)预测损失。我的问题是为什么model.losses是正则化的损失？model这里是tf.keras.Model的一个实例。当访问该属性时，会创建变量正则化张量，因此它非常安全:在tf.GradientTape下访问损失会将梯度传播回相应的变量。
为什么我们可以通过访问losses属性得到正则化的损失？如果losses属性返回正则化丢失，为什么将其命名为
浏览 1提问于2019-06-20得票数 9
1回答
如果我的Keras顺序模型中有一个退出层，那么在执行model.predict()之前，我需要做些什么来删除或关闭它吗？
浏览 0提问于2018-12-23得票数 4
1回答
我试图在keras中实现一个自定义正则化程序。其思想是正则化的范围仅限于数据集中的两列。__version__ == 2.0.0
model = tf.keras.models.Model(inputs = inputs, outputs = dense)
model.compile(loss
浏览 1提问于2020-10-06得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
