L1Decay¶
L1Decay 实现 L1 权重衰减正则化,用于模型训练,使得权重矩阵稀疏。
该类生成的实例对象,需要设置在 cn_api_paddle_ParamAttr 或者 optimizer
(例如 Momentum )中,在 ParamAttr
中设置时,只对该 网络层中的可训练参数生效;在 optimizer
中设置时,会对所有的可训练参数生效;如果同时设置,在 ParamAttr
中设置的优先级会高于在 optimizer
中的设置,即,对于一个可训练的参数,如果在 ParamAttr
中定义了正则化,那么会忽略 optimizer
中的正则化;否则会使用 ``optimizer``中的 正则化。
具体实现中,L1 权重衰减正则化的损失函数计算如下:
\[\begin{split}\\loss = coeff * reduce\_sum(abs(x))\\\end{split}\]
参数¶
coeff (float) – L1 正则化系数,默认值为 0.0。
代码示例 1¶
# Example1: set Regularizer in optimizer
import paddle
from paddle.regularizer import L1Decay
import numpy as np
linear = paddle.nn.Linear(10, 10)
inp = paddle.rand(shape=[10, 10], dtype="float32")
out = linear(inp)
loss = paddle.mean(out)
beta1 = paddle.to_tensor([0.9], dtype="float32")
beta2 = paddle.to_tensor([0.99], dtype="float32")
momentum = paddle.optimizer.Momentum(
learning_rate=0.1,
parameters=linear.parameters(),
weight_decay=L1Decay(0.0001))
back = out.backward()
momentum.step()
momentum.clear_grad()
代码示例 2¶
# Example2: set Regularizer in parameters
# Set L1 regularization in parameters.
# Global regularizer does not take effect on my_conv2d for this case.
from paddle.nn import Conv2D
from paddle import ParamAttr
from paddle.regularizer import L2Decay
my_conv2d = Conv2D(
in_channels=10,
out_channels=10,
kernel_size=1,
stride=1,
padding=0,
weight_attr=ParamAttr(regularizer=L2Decay(coeff=0.01)),
bias_attr=False)