在TensorFlow中实现重量约束的最佳方法是什么？- AskGo

在TensorFlow中实现重量约束的最佳方法是什么？

tensorflow

假设我们有权重

x = tf.Variable(np.random.random((5,10)))
cost = ...

我们使用GD优化器：

upds = tf.train.GradientDescentOptimizer(lr).minimize(cost)
session.run(upds)

我们如何实现例如权重的非负性？

我试着剪掉它们：

upds = tf.train.GradientDescentOptimizer(lr).minimize(cost)
session.run(upds)
session.run(tf.assign(x, tf.clip_by_value(x, 0, np.infty)))

但是，这会使我的训练速度降低了50倍。

有人知道在TensorFlow中对权重实施此类约束的好方法吗？

PS：在等效的Theano算法中，

T.clip(x, 0, np.infty)

它运行顺利。

参考资料：

Stack Overflow

2020-06-01 20:27:45 更新

陈甘雨• 734

共 4 个回答

高赞时间活跃

您可以采用拉格朗日方法，只需对不需要的变量的特征添加惩罚。

例如，为了鼓励 theta为非负数，可以在优化器的目标函数中添加以下内容。

    added_loss = -tf.minimum( tf.reduce_min(theta),0)

如果任何theta为负，则add2loss将为正，否则为零。将其缩放到有意义的值留给读者练习。缩放太小将不会施加足够的压力。太多可能会使事情变得不稳定。

2020-06-01 20:28:59 更新

Rex Kipling• 656

从TensorFlow 1.4开始， tf.get_variable有一个新参数，该参数允许传递在优化程序更新后应用的约束函数。这是强制实施非负约束的示例：

with tf.variable_scope("MyScope"):
  v1 = tf.get_variable("v1", …, constraint=lambda x: tf.clip_by_value(x, 0, np.infty))

约束：由Optimizer更新后将应用于变量的可选投影函数（例如，用于实现范数约束或图层权重的值约束）。该函数必须将代表变量值的未投影张量作为输入，并返回投影值的张量（必须具有相同的形状）。在进行异步分布式训练时，使用约束并不安全。

2020-06-01 20:28:24 更新

谈胤文• 678

我最近也有这个问题。我发现您可以导入具有良好权重约束功能的keras，因为可以直接在tensorflow的kernen约束中使用它们。这是我的代码示例。您可以使用内核正则化器执行类似的操作

from keras.constraints import non_neg

conv1 = tf.layers.conv2d(
    inputs=features['x'],
    filters=32,
    kernel_size=[5,5],
    strides = 2,
    padding='valid',
    activation=tf.nn.relu,
    kernel_regularizer=None,
    kernel_constraint=non_neg(),
    use_bias=False)

2020-06-01 20:28:15 更新

笪高达• 677

通过运行

sess.run(tf.assign(x, tf.clip_by_value(x, 0, np.infty)))

您一直在向图添加节点，并使它变得越来越慢。

实际上，您可能仅在构建图形时定义了一个clip_op ，并在每次更新权重之后每次都运行它：

# build the graph
x = tf.Variable(np.random.random((5,10)))
loss = ...
train_op = tf.train.GradientDescentOptimizer(lr).minimize(loss)
clip_op = tf.assign(x, tf.clip(x, 0, np.infty))

# train
sess.run(train_op)
sess.run(clip_op)

2020-06-01 20:28:12 更新