如何在 keras 自定义正则化器中使用初始化的层权重？

Question

我正在尝试创建一个自定义 Keras 正则化器，它使用图层权重与其原始权重的距离，但我使用的似乎不起作用。似乎这个正则化器对训练和损失函数完全没有影响。你能帮我找出我做错了什么吗？class NormReg():    def __init__(self, coeff):        self._coeff = coeff        self._original_weights = None    def _norm(self, weight_matrix):        return K.sum(K.square(weight_matrix))    def __call__(self, weight_matrix):        if self._original_weights is None:            self._original_weights = weight_matrix        diff_matrix = weight_matrix - self._original_weights        return self._coeff * self._norm(diff_matrix)（我使用 tensorflow 作为后端）编辑： 在玩了这个类之后，我注意到了一些奇怪的事情：就好像正则化器对象在每批训练中一遍又一遍地创建，这将解释为什么我得到零。我通过将课程更改为 -class NormReg():    def __init__(self, coeff):        self._ugly_check = 1        self._coeff = coeff        self._original_weights = None    def _norm(self, weight_matrix):        return K.sum(K.square(weight_matrix))    def __call__(self, weight_matrix):        if self._original_weights is None:            self._original_weights = weight_matrix        if self._ugly_check == 1:            self._ugly_check = 0            return 10000        diff_matrix = weight_matrix - self._original_weights        return self._coeff * self._norm(diff_matrix)事实上，损失确实会在整个训练过程中受到 _ugly_check 为 1 的惩罚。

Answer 1

我仍然不完全理解它背后的所有细节，但这是我弄错的地方：

我假设模型在训练期间使用了正则化器，但实际上在构建模型将使用的计算图时只使用了一次。因此，Keras 在其计算图中学会了“获取权重，将它们从自身中减去，然后返回系数乘以范数”。在我编辑之后，它学会了“取权重，返回 10000”。

所以这一切都可以通过将__call__函数更改为：

def __call__(self, weight_matrix):

        diff_matrix = weight_matrix - K.eval(weight_matrix)

        return self._coeff * self._norm(diff_matrix)

这样做是它现在从给定的权重中减去一个具体的 ndarray，然后计算差异。当然，这个 ndarray 是初始权重，因为这些是该对象遇到的第一个权重。

请随时纠正我并给出更准确的答案。正如我所说 - 我仍然没有完全理解这一点。