正则化

import tensorflow as tf
import numpy as np
#获取一层神经网络边上的权重，并将这个权重L2正则化损失加入名称为‘losses’的集合中
def get_weight(shape,lam):
    #生成一个变量
    var=tf.Variable(tf.random_normal(shape),dtype=tf.float32)
    #add_to_collection函数将这个新生成变量的L2的正则化损失加入集合。
    #这个函数的第一个参数‘losses’是集合的名字，第二个参数是要加入集合的内容
    tf.add_to_collection(
        'losses',tf.contrib.layers.l2_regularizer(lam)(var))
    return var
x=tf.placeholder(tf.float32,shape=(None,2))
y_ = tf.placeholder(tf.float32, shape=(None, 1))
batch_size=8
#定义每一层网络中节点的个数
layer_dimension=[2,10,10,10,1]
n_layers=len(layer_dimension)
#这个变量维护前向传播时最深的节点，开始的时候就是输入层
cur_layer=x
in_dimension=layer_dimension[0]
#通过一个循环来生成5层全连接的神经网络结构
for i in range(1,n_layers):
    #layer_dimension[i]为下一层的节点个数
    out_dimension=layer_dimension[i]
    #生成当前层中的权重的变量，并将这个变量的L2正则化损失加入计算图上的集合
    weight=get_weight([in_dimension,out_dimension],0.001)
    bias=tf.Variable(tf.constant(0.1,shape=[out_dimension]))
    #使用Relu激活函数
    cur_layer=tf.nn.relu(tf.matmul(cur_layer,weight)+bias)
    #进入下一层之前将下一层的节点个数更新为当前层节点个数
    in_dimension=layer_dimension[i]

#在定义神经网络前向传播的同时已经将所有的L2正则化损失加入了图上的集合
#这里只需要计算刻画模型在训练数据上表现的损失函数
mse_loss=tf.reduce_mean(tf.square(y_-cur_layer))
#将均方误差损失函数加入损失集合
tf.add_to_collection('losses',mse_loss)
loss=tf.add_n(tf.get_collection('losses'))