利用Keras，在神经网络中实现正则化

布满荆棘的人生 2023-07-24 14:40 56阅读 0赞

1. 正则化的相关概念

正则化是一种常见的解决过拟合问题的处理方式。一般有两种正则化方式，L1正则化和L2正则化。

其中常用的是L2正则化。两者的定义可以看下图：

![70][]

可以看出，之所以叫L2正则化，是因为它是平方项之和。所以以后从名字，就可以写出它们的表达式。

*  **L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择**
 *  **L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合**

**L1正则化为何可以产生稀疏矩阵，这个放后面解释。下面先解释一下如何使用正则化。**

**一般而言，我们会把所有的参数（一般是w,b）的平方项，再乘一个正则化参数（lambda）。把这个项一起加在损失函数的后面，然后进行优化。**

**但Keras的方式不是这样，你可以选择某些层的参数，最后模型会将你选择的参数放入损失函数里面，一起优化。**

**例如：**

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

则表示将这个Dense层的权重参数W，进行正则化操作。

因为我们的模型往往是有很多层的，所以有你想要正则化的层，那么你需要向上面一样操作。

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  （即对W）
 *  `bias_regularizer`：施加在偏置向量上的正则项，为`keras.regularizer.Regularizer`对象  （即对b）
 *  `activity_regularizer`：施加在输出上的正则项，为`keras.regularizer.Regularizer`对象

最后，解释一下为何L1正则化能产生稀疏矩阵。

假设只有一个参数为w，损失函数为L(w)，分别加上L1正则项和L2正则项后有：

![70 1][]

假设L(w)在0处的倒数为d0，即

![70 2][]  
则可以推导使用L1正则和L2正则时的导数。  
引入L2正则项，在0处的导数

![在这里插入图片描述][70 3]

引入L1正则项，在0处的导数，因为有绝对值，所以求导是要考虑正负号。

![在这里插入图片描述][70 4]

从上面的求导我们知道，在0处，导数可能不存在。  
可见，引入L2正则时，代价函数在0处的导数仍是d0，无变化。

而L1正则化后，导数可能不存在。我们知道，取得极值的点，可能有两种，第一 是导数为0，第二是导数不存在。所以在w处可能取到极值。而我们优化的目标就是取到极值，所以，很大可能我们会来到w=0这个点。因此可能会存在很多w的值为0.  
这里只解释了有一个参数的情况，如果有更多的参数，也是类似的。因此，用L1正则更容易产生稀疏解。

[70]: /images/20230528/2205cffef0d247329a506e54e0c30f6e.png
[70 1]: /images/20230528/93838d95904642babecec02f9e3a69e7.png
[70 2]: /images/20230528/85a2551291db4ebf95d3b78c0b8b3d3f.png
[70 3]: /images/20230528/10922290ebd744ffa5ce841a4c0949b1.png
[70 4]: /images/20230528/30a3c2f837d94184af22dfe07efddbfc.png