TensorFlow|对于TF2.0无法使用tf.contrib.layers.l2_regularizer的替代方法，使用tf.nn.l2_loss的替代方法 python|机器学习|tensorflow

最近在对于MNIST数据集进行训练学习的时候会对L2正则化，但是对于稍微高级一点的版本中我们会发现说是因为contrib这个库不稳定，从而在高级一点的版本中删除了contrib这个库，如果想使用L2正则化就得用其他方法，从而发现一个近似的L2正则化的API，tf.nn.l2_loss,这个和tf.contrib.layers.l2_regularizerd 的区别在于什么地方呢？
L2正则化则是求参数的二维范数也就是欧氏距离，不要我们在使用的时候会将结果乘一个较小的值γ，我们的正则化损失则是计算这个东西，而对于tf.contrib.layers.l2_regularizerd，可以以如下这种形式计算

regularizerd_L2 = tf.contrib.layers.l2_regularizerd(0.01) loss = regularizerd_L2(a)

这个0.01就是我们所要乘的这个值γ，但是实际上函数会自己除一个2以得到比较稳定的结果所以我们这个γ的真实值为0.005，同时我们还有一个函数tf.nn.l2_loss，这个也是计算L2正则损失，使用方法如下

loss = tf.nn.l2_loss(a)

计算二位范数实际上是把每个数单独平方之后开根号，和计算什么方差啊之类的有一点点像，但是tf.nn.l2_loss这个函数他只是平方之后，直接除以二，没有其他操作。那我们打个比方，所有的数的平方和为sum，那么上面的函数就是
（sum ** 0.5）* 0.5 *0.01
而对于下面的函数计算则是
【TensorFlow|对于TF2.0无法使用tf.contrib.layers.l2_regularizer的替代方法，使用tf.nn.l2_loss的替代方法】sum * 0.5
所以我们想要等效实现最上面的一段代码我们可以这样去改