在Pytorch中，如何将L1正则化函数添加到激活中？

Z时代
2024-01-10
分类：问答

（这里是火炬初学者）

我想将L1正则化器添加到ReLU的激活输出中。更一般而言，如何仅将正则化器添加到网络中的特定层？

这篇文章可能与以下内容有关：在PyTorch中添加L1 /L2正则化？但是，要么不相关，要么我不明白答案：

它指的是在优化中应用的L2正则化器，这是另一回事。换句话说，如果总的期望损失是

crossentropy + lambda1*L1(layer1) + lambda2*L1(layer2) + ...

我相信提供给torch.optim.Adagrad的参数仅适用于交叉熵损失。或将其应用于网络中的所有参数（权重）。但是无论如何，似乎不允许对单个激活层应用正则化器，并且不提供L1损失。

另一个相关主题是nn.modules.loss，其中包括L1Loss（）。从文档中，我还不了解如何使用它。

最后，有一个模块https://github.com/pytorch/pytorch/blob/master/torch/legacy/nn/L1Penalty.py，它似乎最接近目标，但被称为“传统”。这是为什么？

回答：

这是您的操作方式：

在模块的正向返回最终输出和要应用L1正则化的图层的输出中

loss 变量将是输出wrt目标的交叉熵损失与L1惩罚的总和。

这是一个示例代码

import torch
from torch.autograd import Variable
from torch.nn import functional as F
class MLP(torch.nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.linear1 = torch.nn.Linear(128, 32)
        self.linear2 = torch.nn.Linear(32, 16)
        self.linear3 = torch.nn.Linear(16, 2)
    def forward(self, x):
        layer1_out = F.relu(self.linear1(x))
        layer2_out = F.relu(self.linear2(layer1_out))
        out = self.linear3(layer2_out)
        return out, layer1_out, layer2_out
batchsize = 4
lambda1, lambda2 = 0.5, 0.01
model = MLP()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-4)
# usually following code is looped over all batches 
# but let's just do a dummy batch for brevity
inputs = Variable(torch.rand(batchsize, 128))
targets = Variable(torch.ones(batchsize).long())
optimizer.zero_grad()
outputs, layer1_out, layer2_out = model(inputs)
cross_entropy_loss = F.cross_entropy(outputs, targets)
all_linear1_params = torch.cat([x.view(-1) for x in model.linear1.parameters()])
all_linear2_params = torch.cat([x.view(-1) for x in model.linear2.parameters()])
l1_regularization = lambda1 * torch.norm(all_linear1_params, 1)
l2_regularization = lambda2 * torch.norm(all_linear2_params, 2)
loss = cross_entropy_loss + l1_regularization + l2_regularization
loss.backward()
optimizer.step()