PyTorch训练模型添加L1/L2正则化的两种实现方式

发布时间:2024-06-27 12:01

L1/L2正则化的作用

L1正则化作用到参数会产生更稀疏的解,既能使参数在训练过程中尽量靠近最优解的同时,一些参数为0。L1正则化的稀疏性质被广泛应用于特征选择,可从特征集合中选出具有代表的特征子集,以此简化机器学习问题。L1正则化的表达式如下:
f ( θ ) = ∣ ∣ θ ∣ ∣ 1 = ∑ i ∣ θ i ∣ f(\theta) = || \theta ||_{1} = \sum_{i} | \theta_{i} | f(θ)=θ1=iθi
由于上述表达式存在绝对值形式,不能直接求导,但可以使用次梯度表示。L1正则化的次梯度如下:
∇ f ( θ ) = s i g n ( θ ) \nabla f(\theta) = sign(\theta) f(θ)=sign(θ)
符号函数sign用于获取输入参数 θ \theta θ逐个元素的正负号。
L2正则化通常又被称为权重衰减,通过添加一个正则化项使得参数在训练时更加接近原点,可防止模型过拟合。更抽象地来说,L2正则化会对减少目标函数无关的部分参数进行衰减,而能显著减少目标函数的部分参数则不受影响。L2正则化通常仅对卷积层的权重进行惩罚,不包括偏置项,对应表达式如下:
f ( θ ) = ∣ ∣ θ ∣ ∣ 2 = 1 2 θ T θ f(\theta) = || \theta ||_{2} = \frac{1}{2} \theta^{T} \theta f(θ)=θ2=21θTθ
不难看出,上述表示式的梯度等于参数本身,既梯度如下:
∇ f ( θ ) = θ \nabla f(\theta) = \theta f(θ)=θ

PyTorch添加L1/L2正则化

在使用PyTorch训练模型时,可使用两种方式添加L1/L2正则化:一种是添加正则化项到损失函数中,另一种是在backward()之后,添加正则化项到参数变量的梯度中,然后再进行step()

方式一:添加到损失函数

def l1_regularization(model, l1_alpha):
    l1_loss = []
    for module in model.modules():
        if type(module) is nn.BatchNorm2d:
            l1_loss.append(torch.abs(module.weight).sum())
    return l1_alpha * sum(l1_loss)

def l2_regularization(model, l2_alpha):
    l2_loss = []
    for module in model.modules():
        if type(module) is nn.Conv2d:
            l2_loss.append((module.weight ** 2).sum() / 2.0)
    return l2_alpha * sum(l2_loss)

方式二:添加到参数梯度

def l1_regularization(model, l1_alpha):
    for module in model.modules():
        if type(module) is nn.BatchNorm2d:
            module.weight.grad.data.add_(l1_alpha * torch.sign(module.weight.data))

def l2_regularization(model, l2_alpha):
    for module in model.modules():
        if type(module) is nn.Conv2d:
            module.weight.grad.data.add_(l2_alpha * module.weight.data)

ItVuer - 免责声明 - 关于我们 - 联系我们

本网站信息来源于互联网,如有侵权请联系:561261067@qq.com

桂ICP备16001015号