python - 对 tensorflow 中的张量列表求和

Question

我有一个深度神经网络，其中各层之间的权重存储在一个列表中。

layers[j].weights 我想在我的成本函数中包含岭惩罚。然后我需要使用类似的东西tf.nn.l2_loss(layers[j].weights**2 for j in range(self.n_layers)) 即所有权重的平方和。

特别是权重定义为:

>>> avs.layers
[<neural_network.Layer object at 0x10a4b2a90>, <neural_network.Layer object at 0x10ac85080>, <neural_network.Layer object at 0x10b0f3278>, <neural_network.Layer object at 0x10b0eacf8>, <neural_network.Layer object at 0x10b145588>, <neural_network.Layer object at 0x10b165048>, <neural_network.Layer object at 0x10b155ba8>]
>>>
>>> avs.layers[0].weights
<tensorflow.python.ops.variables.Variable object at 0x10b026748>
>>> 

我怎样才能在 tensorflow 中做到这一点？

Answer 1

对张量列表求和的标准方法是使用 tf.add_n()操作，它采用张量列表(每个张量具有相同的大小和形状)并生成包含总和的单个张量。

对于您遇到的特定问题，我假设每个 layers[j].weights 可能具有不同的大小。因此，您需要在求和之前将每个元素缩减为标量，例如使用 tf.nn.l2_loss()函数本身:

weights = [layers[j].weights for j in range(self.n_layers)]
losses = [tf.nn.l2_loss(w) for w in weights]
total_loss = tf.add_n(losses)

(但是请注意，当要添加的值很大时，您可能会发现计算一系列 tf.add() 操作更有效，因为 TensorFlow 保留每个 add_n 参数的值在内存中，直到计算完所有。add 操作链允许一些计算更早发生。)