WeightNormParamAttr

查看属性与别名

API属性：声明式编程(静态图)专用API

class paddle.fluid.WeightNormParamAttr ( dim=None, name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, do_model_average=False ) [源代码]

注解

该类中的 gradient_clip 属性在2.0版本会废弃，推荐在初始化 optimizer 时设置梯度裁剪。共有三种裁剪策略： GradientClipByGlobalNorm 、 GradientClipByNorm 、 GradientClipByValue 。

该类定义了权重归一化(Weight Normalization)的参数。权重归一化可以将神经网络中权重向量的长度与其方向解耦，详细的定义与实现可以参考论文：Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks

参数

• dim (int) - 进行归一化操作(norm)的切片所在维度，是小于权重Tensor rank的非负数。比如卷积的权重shape是

  

  , rank是4，则dim可以选0,1,2,3；fc的权重shape是

  

  ，rank是2，dim可以选0，1。 dim 默认为None，如果为None就对所有元素做归一化(norm)。

• name (None|str) - 该参数供开发人员打印调试信息时使用，具体用法请参见 Name ，默认为None。
• initializer （Initializer) - 初始化参数方法，例如 initializer = fluid.initializer.ConstantInitializer(1.0) 。默认为None，如果为None则使用默认初始化函数 Xavier() 。

• learning_rate (float32) - 学习率，优化过程

  

  的学习速率，默认为1.0。

• regularizer (WeightDecayRegularizer，可选) - 正则化方法。支持两种正则化策略: L1Decay 、 L2Decay ，如果在 optimizer (例如 SGDOptimizer ) 中也 设置了正则化，optimizer 中的正则化将被忽略。默认值为None，表示没有正则化。
• trainable (bool) - 可选，指明参数是否可训练，默认为True。
• do_model_average (bool) - 可选，指明参数是否需要模型平均化操作(Model Average)，默认为False。

代码示例

import paddle.fluid as fluid
data = fluid.layers.data(name="data", shape=[3, 32, 32], dtype="float32")
fc = fluid.layers.fc(input=data,
                     size=1000,
                     param_attr=fluid.WeightNormParamAttr(
                              dim=None,
                              name='weight_norm_param',
                              initializer=fluid.initializer.ConstantInitializer(1.0),
                              learning_rate=1.0,
                              regularizer=fluid.regularizer.L2DecayRegularizer(regularization_coeff=0.1),
                              trainable=True,
                              do_model_average=False))