欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Pytorch实现L1与L2正则化

程序员文章站 2022-07-13 10:38:04
...

 关于Pytorch如何实现正则化在这篇博客《pytorch实现L2和L1正则化regularization的方法》其实已经给出了差不多正确的方法,但是这篇博客的代码在实现L2正则的时候是有一点小问题的。

 首先看一下L2正则的公式:

L o s s = C L + λ 2 ∑ w i 2 Loss = CL+\frac{\lambda}{2} \sum w_{i}^{2} Loss=CL+2λwi2

 其中 C L CL CL就是正常的损失(比如交叉熵损失)。实际上在Pytorch中,当你使用SGD的时候,其中的一个参数weight_decay其实就是L2正则的 λ \lambda λ系数,只不过Pytorch用了一种取巧的方法,实际的loss不会把L2损失计算进去,而是在梯度回传的时候通过在原先的梯度上面加上 λ w i \lambda w_{i} λwi来实现一种等价的L2正则。如下面的源码所示:

for p in group['params`]:
	if p.grad is None:
		continue
	d_p = p.grad.data
	if weight_decay != 0:
		d_p.add_(weight_decay, p.data)

 所以如果我们想显式地在损失中显示L2损失,就可以把SGD中的weight_decay置为0,然后再自己实现L2正则。还是参考前面提到的博客给出的实现方式,但是前面那篇博客在实现L2正则的时候用的L2范数即torch.norm(w, p=2),而这个其实是有问题的,因为L2范数其实是 ∑ w i 2 \sqrt{\sum w_{i}^{2}} wi2 ,跟我们要的不是一个东西,所以我重写了一下:

def regularization_loss(self, weight_list_l1, weight_list_l2):
	reg_loss = 0
	loss1, loss2 = 0, 0
	for name, w in weight_list_l1:
		loss1 += torch.sum(torch.abs(w))
	for name, w in weight_list_l2:
		loss2 += torch.sum(torch.pow(w, 2))
	reg_loss = self.weight_decay_l1*loss1 + self.weight_decay_l2/2*loss2
	return reg_loss

 需要说明的是我这里还实现了L1正则,可以实现对部分参数用L1正则,对另一部分用L2正则,然后对剩下的参数不用任何正则化(因为一般我们对BN层跟bias是不用正则化的,但是SGD的默认实现会对所有参数都施加L2正则化)。