现有答案的几个方面对我来说还不是很清楚，所以这里是一个循序渐进的指南：

1. 定义一个正则化器。在这里可以设置正则化常量，例如：

    regularizer = tf.contrib.layers.l2_regularizer(scale=0.1) 

2. 通过以下方式创建变量：

     weights = tf.get_variable( name="weights", regularizer=regularizer, ... ) 

   等效地，可以通过常规weights = tf.Variable(...)构造函数创建变量，然后通过tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, weights)创建变量。

3. 定义一些loss项并添加正则项：

    reg_variables = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES) reg_term = tf.contrib.layers.apply_regularization(regularizer, reg_variables) loss += reg_term 

   注意：看起来tf.contrib.layers.apply_regularization被实现为AddN ，所以或多或少等同于sum(reg_variables) 。

由于找不到，我将提供一个简单正确的答案。您需要两个简单的步骤，其余步骤由tensorflow magic完成：

1. 在创建变量或图层时添加正则化器：

    tf.layers.dense(x, kernel_regularizer=tf.contrib.layers.l2_regularizer(0.001)) # or tf.get_variable('a', regularizer=tf.contrib.layers.l2_regularizer(0.001)) 

2. 在定义损失时添加正则项：

    loss = ordinary_loss + tf.losses.get_regularization_loss() 

我在图中使用一个l2_regularizer测试了tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)和tf.losses.get_regularization_loss() ，发现它们返回的值相同。通过观察值的数量，我猜想reg_constant通过设置tf.contrib.layers.l2_regularizer的参数已经对值tf.contrib.layers.l2_regularizer 。

如果有人还在看，我想在tf.keras中添加它，您可以通过将其作为参数传递给图层来添加权重正则化。从Tensorflow Keras Tutorials站点批发获得的添加L2正则化的示例：

model = keras.models.Sequential([
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu, input_shape=(NUM_WORDS,)),
    keras.layers.Dense(16, kernel_regularizer=keras.regularizers.l2(0.001),
                       activation=tf.nn.relu),
    keras.layers.Dense(1, activation=tf.nn.sigmoid)
])

据我所知，无需使用此方法手动添加正则化损失。

参考： https : //www.tensorflow.org/tutorials/keras/overfit_and_underfit#add_weight_regularization

如第二点所述，建议使用regularizer参数。您可以在get_variable使用它，也可以在variable_scope对其进行一次设置，然后对所有变量进行正则化。

损失收集在图中，您需要像这样将它们手动添加到成本函数中。

  reg_losses = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)
  reg_constant = 0.01  # Choose an appropriate one.
  loss = my_normal_loss + reg_constant * sum(reg_losses)

希望有帮助！

基于Tensorflow网站上的Deep MNIST教程 ，使用contrib.learn库执行此操作的另一种方法如下。首先，假设您已经导入了相关的库（例如， import tensorflow.contrib.layers as layers ），则可以使用单独的方法定义网络：

def easier_network(x, reg):
    """ A network based on tf.contrib.learn, with input `x`. """
    with tf.variable_scope('EasyNet'):
        out = layers.flatten(x)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=200,
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = tf.nn.tanh)
        out = layers.fully_connected(out, 
                num_outputs=10, # Because there are ten digits!
                weights_initializer = layers.xavier_initializer(uniform=True),
                weights_regularizer = layers.l2_regularizer(scale=reg),
                activation_fn = None)
        return out 

然后，在主要方法中，可以使用以下代码片段：

def main(_):
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])

    # Make a network with regularization
    y_conv = easier_network(x, FLAGS.regu)
    weights = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, 'EasyNet') 
    print("")
    for w in weights:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")
    reg_ws = tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES, 'EasyNet')
    for w in reg_ws:
        shp = w.get_shape().as_list()
        print("- {} shape:{} size:{}".format(w.name, shp, np.prod(shp)))
    print("")

    # Make the loss function `loss_fn` with regularization.
    cross_entropy = tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
    loss_fn = cross_entropy + tf.reduce_sum(reg_ws)
    train_step = tf.train.AdamOptimizer(1e-4).minimize(loss_fn)

为了使它起作用，您需要遵循我之前链接的MNIST教程并导入相关的库，但是学习TensorFlow是一个不错的练习，并且很容易看到正则化如何影响输出。如果将正则化用作参数，则可以看到以下内容：

- EasyNet/fully_connected/weights:0 shape:[784, 200] size:156800
- EasyNet/fully_connected/biases:0 shape:[200] size:200
- EasyNet/fully_connected_1/weights:0 shape:[200, 200] size:40000
- EasyNet/fully_connected_1/biases:0 shape:[200] size:200
- EasyNet/fully_connected_2/weights:0 shape:[200, 10] size:2000
- EasyNet/fully_connected_2/biases:0 shape:[10] size:10

- EasyNet/fully_connected/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_1/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0
- EasyNet/fully_connected_2/kernel/Regularizer/l2_regularizer:0 shape:[] size:1.0

请注意，基于可用项目，正则化部分为您提供了三项。

使用0、0.0001、0.01和1.0的正则化，我得到的测试精度值分别为0.9468、0.9476、0.9183和0.1135，显示了高正则项的危险。

如果您有CNN，则可以执行以下操作：

在您的模型函数中：

conv = tf.layers.conv2d(inputs=input_layer,
                        filters=32,
                        kernel_size=[3, 3],
                        kernel_initializer='xavier',
                        kernel_regularizer=tf.contrib.layers.l2_regularizer(1e-5),
                        padding="same",
                        activation=None) 
...

在损失函数中：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=num_classes)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)
regularization_losses = tf.losses.get_regularization_losses()
loss = tf.add_n([loss] + regularization_losses)