GradientClipByGlobalNorm
class paddle.fluid.clip.GradientClipByGlobalNorm
(clip_norm, group_name=’default_group’, need_clip=None)[源代码]
将一个 Tensor列表
中所有Tensor的L2范数之和,限定在 clip_norm
范围内。
- 如果范数之和大于
clip_norm
,则所有 Tensor 会乘以一个系数进行压缩 - 如果范数之和小于或等于
clip_norm
,则不会进行任何操作。
输入的 Tensor列表 不是从该类里传入, 而是默认会选择 Program
中全部的梯度,如果 need_clip
不为None,则可以只选择部分参数进行梯度裁剪。
该类需要在初始化 optimizer
时进行设置后才能生效,可参看 optimizer
文档(例如: SGDOptimizer )。
裁剪公式如下:
其中:
参数
- clip_norm (float) - 所允许的范数最大值
- group_name (str, optional) - 剪切的组名
- need_clip (function, optional) - 类型: 函数。用于指定需要梯度裁剪的参数,该函数接收一个
Parameter
,返回一个bool
(True表示需要裁剪,False不需要裁剪)。默认为None,此时会裁剪网络中全部参数。
代码示例 1:静态图
import paddle
import paddle.fluid as fluid
import numpy as np
main_prog = fluid.Program()
startup_prog = fluid.Program()
with fluid.program_guard(
main_program=main_prog, startup_program=startup_prog):
image = fluid.data(
name='x', shape=[-1, 2], dtype='float32')
predict = fluid.layers.fc(input=image, size=3, act='relu') #Trainable parameters: fc_0.w.0, fc_0.b.0
loss = fluid.layers.mean(predict)
# 裁剪网络中全部参数:
clip = fluid.clip.GradientClipByGlobalNorm(clip_norm=1.0)
# 仅裁剪参数fc_0.w_0时:
# 为need_clip参数传入一个函数fileter_func,fileter_func接收参数的类型为Parameter,返回类型为bool
# def fileter_func(Parameter):
# # 可以较为方便的通过Parameter.name判断(name可以在fluid.ParamAttr中设置,默认为fc_0.w_0、fc_0.b_0)
# return Parameter.name=="fc_0.w_0"
# clip = fluid.clip.GradientClipByGlobalNorm(clip_norm=1.0, need_clip=fileter_func)
sgd_optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.1)
sgd_optimizer.minimize(loss, grad_clip=clip)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
x = np.random.uniform(-100, 100, (10, 2)).astype('float32')
exe.run(startup_prog)
out = exe.run(main_prog, feed={'x': x}, fetch_list=loss)
代码示例 2:动态图
import paddle
import paddle.fluid as fluid
with fluid.dygraph.guard():
linear = fluid.dygraph.Linear(10, 10) #可训练参数: linear_0.w.0, linear_0.b.0
inputs = fluid.layers.uniform_random([32, 10]).astype('float32')
out = linear(fluid.dygraph.to_variable(inputs))
loss = fluid.layers.reduce_mean(out)
loss.backward()
# 裁剪网络中全部参数:
clip = fluid.clip.GradientClipByGlobalNorm(clip_norm=1.0)
# 仅裁剪参数linear_0.w_0时:
# 为need_clip参数传入一个函数fileter_func,fileter_func接收参数的类型为ParamBase,返回类型为bool
# def fileter_func(ParamBase):
# # 可以通过ParamBase.name判断(name可以在fluid.ParamAttr中设置,默认为linear_0.w_0、linear_0.b_0)
# return ParamBase.name == "linear_0.w_0"
# # 注:linear.weight、linear.bias能分别返回dygraph.Linear层的权重与偏差,也可以此来判断
# return ParamBase.name == linear.weight.name
# clip = fluid.clip.GradientClipByGlobalNorm(clip_norm=1.0, need_clip=fileter_func)
sgd_optimizer = fluid.optimizer.SGD(
learning_rate=0.1, parameter_list=linear.parameters())
sgd_optimizer.minimize(loss, grad_clip=clip)