约束项的使用

constraints 模块的函数允许在优化期间对网络参数设置约束（例如非负性）。

约束是以层为对象进行的。具体的 API 因层而异，但 Dense，Conv1D，Conv2D 和 Conv3D 这些层具有统一的 API。

约束层开放 2 个关键字参数：

• kernel_constraint 用于主权重矩阵。
• bias_constraint 用于偏置。

from keras.constraints import max_norm
model.add(Dense(64, kernel_constraint=max_norm(2.)))

可用的约束

[source]

MaxNorm

keras.constraints.MaxNorm(max_value=2, axis=0)

MaxNorm 最大范数权值约束。

映射到每个隐藏单元的权值的约束，使其具有小于或等于期望值的范数。

参数

• m: 输入权值的最大范数。
• axis: 整数，需要计算权值范数的轴。 例如，在 Dense 层中权值矩阵的尺寸为 (input_dim, output_dim)， 设置 axis 为 0 以约束每个长度为 (input_dim,) 的权值向量。 在 Conv2D 层（data_format="channels_last"）中，权值张量的尺寸为 (rows, cols, input_depth, output_depth)，设置 axis 为 [0, 1, 2] 以越是每个尺寸为 (rows, cols, input_depth) 的滤波器张量的权值。

参考文献

• Dropout: A Simple Way to Prevent Neural Networks from Overfitting

[source]

NonNeg

keras.constraints.NonNeg()

权重非负的约束。

[source]

UnitNorm

keras.constraints.UnitNorm(axis=0)

映射到每个隐藏单元的权值的约束，使其具有单位范数。

参数

• axis: 整数，需要计算权值范数的轴。 例如，在 Dense 层中权值矩阵的尺寸为 (input_dim, output_dim)， 设置 axis 为 0 以约束每个长度为 (input_dim,) 的权值向量。 在 Conv2D 层（data_format="channels_last"）中，权值张量的尺寸为 (rows, cols, input_depth, output_depth)，设置 axis 为 [0, 1, 2] 以越是每个尺寸为 (rows, cols, input_depth) 的滤波器张量的权值。

[source]

MinMaxNorm

keras.constraints.MinMaxNorm(min_value=0.0, max_value=1.0, rate=1.0, axis=0)

MinMaxNorm 最小/最大范数权值约束。

映射到每个隐藏单元的权值的约束，使其范数在上下界之间。

参数

• min_value: 输入权值的最小范数。
• max_value: 输入权值的最大范数。
• rate: 强制执行约束的比例：权值将被重新调整为 (1 - rate) norm + rate norm.clip(min_value, max_value)。 实际上，这意味着 rate = 1.0 代表严格执行约束，而 rate <1.0 意味着权值 将在每一步重新调整以缓慢移动到所需间隔内的值。
• axis: 整数，需要计算权值范数的轴。 例如，在 Dense 层中权值矩阵的尺寸为 (input_dim, output_dim)， 设置 axis 为 0 以约束每个长度为 (input_dim,) 的权值向量。 在 Conv2D 层（data_format="channels_last"）中，权值张量的尺寸为 (rows, cols, input_depth, output_depth)，设置 axis 为 [0, 1, 2] 以越是每个尺寸为 (rows, cols, input_depth) 的滤波器张量的权值。