L1、L2范式

    假設需要求解的目標函數為：

                    E(x) = f(x) + r(x)

    其中f(x)為損失函數，用來評價模型訓練損失，必須是任意的可微凸函數，r(x)為規范化約束因子，用來對模型進行限制，根據模型參數的概率分布不同，r(x)一般有:L1范式約束(模型服從高斯分布)，L2范式約束(模型服從拉普拉斯分布)；其它的約束一般為兩者組合形式。

    L1范式約束一般為：

        

    L2范式約束一般為:

            

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的非负矩阵分解中基于L1和L2范式的稀疏性约束的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。