python怎么用L2正则化

在 Python 中使用 L2 正则化，可以使用一些常见的深度学习框架，比如 TensorFlow 和 PyTorch。以下是使用 TensorFlow 和 PyTorch 进行 L2 正则化的示例代码：

使用 TensorFlow 进行 L2 正则化：

import tensorflow as tf

# 定义 L2 正则化权重
l2_reg = tf.keras.regularizers.l2(0.01)

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', kernel_regularizer=l2_reg),
    tf.keras.layers.Dense(10, activation='softmax')
])

在上述代码中，我们使用 `tf.keras.regularizers.l2()` 函数定义了一个 L2 正则化器，并将其作为参数传递给 `kernel_regularizer` 参数。这样，我们就可以在模型训练时对权重进行 L2 正则化。

使用 PyTorch 进行 L2 正则化：

import torch

# 定义模型
class MyModel(torch.nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = torch.nn.Linear(10, 64)
        self.fc2 = torch.nn.Linear(64, 10)

    def forward(self, x):
        x = torch.nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 定义 L2 正则化权重
l2_reg = torch.nn.L2Loss()

# 初始化模型
model = MyModel()

# 定义损失函数
criterion = torch.nn.CrossEntropyLoss()

# 定义优化器
optimizer = torch.optim.Adam(model.parameters(), lr=0.001, weight_decay=0.01)

在上述代码中，我们使用 `torch.nn.L2Loss()` 函数定义了一个 L2 正则化器，并将其作为参数传递给了优化器的 `weight_decay` 参数。这样，我们就可以在模型训练时对权重进行 L2 正则化。