一、总结

一句话总结:

model.add(Dense(64, input_dim=64,kernel_regularizer=regularizers.l2(0.01))

 

 

1、keras正则化几个关键字?

kernel_regularizer:施加在权重上的正则项,为keras.regularizer.Regularizer对象
bias_regularizer:施加在偏置向量上的正则项,为keras.regularizer.Regularizer对象
activity_regularizer:施加在输出上的正则项,为keras.regularizer.Regularizer对象

 

 

二、keras中添加正则化

转自或参考:keras中添加正则化
http://blog.csdn.net/qq_34840129/article/details/89083624

正则项

正则项在优化过程中层的参数或层的激活值添加惩罚项,这些惩罚项将与损失函数一起作为网络的最终优化目标

惩罚项基于层进行惩罚,目前惩罚项的接口与层有关,但Dense, Conv1D, Conv2D, Conv3D具有共同的接口。

这些层有三个关键字参数以施加正则项:

  • kernel_regularizer:施加在权重上的正则项,为keras.regularizer.Regularizer对象

  • bias_regularizer:施加在偏置向量上的正则项,为keras.regularizer.Regularizer对象

  • activity_regularizer:施加在输出上的正则项,为keras.regularizer.Regularizer对象

例子

from keras import regularizers
model.add(Dense(64, input_dim=64,
                kernel_regularizer=regularizers.l2(0.01),
                activity_regularizer=regularizers.l1(0.01)))

可用正则项

keras.regularizers.l1(0.)
keras.regularizers.l2(0.)
keras.regularizers.l1_l2(0.)

开发新的正则项

任何以权重矩阵作为输入并返回单个数值的函数均可以作为正则项,示例:

from keras import backend as K

def l1_reg(weight_matrix):
    return 0.01 * K.sum(K.abs(weight_matrix))

model.add(Dense(64, input_dim=64,
                kernel_regularizer=l1_reg)

可参考源代码keras/regularizer.py