模型参数

模型参数为模型中的weight和bias统称,在fluid中对应fluid.Parameter类,继承自fluid.Variable,是一种可持久化的variable。模型的训练就是不断学习更新模型参数的过程。模型参数相关的属性可以通过 ParamAttr 来配置,可配置内容有:

  • 初始化方式
  • 正则化
  • 梯度剪切
  • 模型平均

初始化方式

fluid通过设置 ParamAttrinitializer 属性为单个parameter设置初始化方式。示例如下:

  1. param_attrs = fluid.ParamAttr(name="fc_weight", initializer=fluid.initializer.ConstantInitializer(1.0))y_predict = fluid.layers.fc(input=x, size=10, param_attr=param_attrs)

以下为fluid支持的初始化方式:

1. BilinearInitializer

线性初始化方法。用该方法初始化的反卷积操作可当做线性插值操作使用。

可用别名:Bilinear

API请参考:BilinearInitializer

2. ConstantInitializer

常数初始化方式,将parameter初始化为指定的数值。

可用别名:Constant

API请参考:ConstantInitializer

3. MSRAInitializer

该初始化方法参考论文: https://arxiv.org/abs/1502.01852

可用别名:MSRA

API请参考:MSRAInitializer

4. NormalInitializer

随机高斯分布初始化方法。

可用别名:Normal

API请参考:NormalInitializer

5. TruncatedNormalInitializer

随机截断高斯分布初始化方法。

可用别名:TruncatedNormal

API请参考:TruncatedNormalInitializer

6. UniformInitializer

随机均匀分布初始化方式。

可用别名:Uniform

API请参考:UniformInitializer

7. XavierInitializer

该初始化方式参考论文: http://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf

可用别名:Xavier

API请参考:XavierInitializer

正则化方式

fluid通过设置 ParamAttrregularizer 属性为单个parameter设置正则化。

  1. param_attrs = fluid.ParamAttr(name="fc_weight", regularizer=fluid.regularizer.L1DecayRegularizer(0.1))y_predict = fluid.layers.fc(input=x, size=10, param_attr=param_attrs)

以下为fluid支持的正则化方式:

Clipping

fluid通过设置 ParamAttrgradient_clip 属性为单个parameter设置clipping方式。

  1. param_attrs = fluid.ParamAttr(name="fc_weight", regularizer=fluid.regularizer.L1DecayRegularizer(0.1))y_predict = fluid.layers.fc(input=x, size=10, param_attr=param_attrs)

以下为fluid支持的clipping方式:

1. ErrorClipByValue

用来将一个tensor的值clipping到指定范围。

API请参考:ErrorClipByValue

2. GradientClipByGlobalNorm

用来将多个Tensor的global-norm限制在 clip_norm 以内。

API请参考:GradientClipByGlobalNorm

3. GradientClipByNorm

将Tensor的l2-norm限制在 max_norm 以内。如果Tensor的l2-norm超过了 max_norm ,会将计算出一个 scale ,该Tensor的所有值乘上计算出来的 scale .

API请参考:GradientClipByNorm

4. GradientClipByValue

将parameter对应的gradient的值限制在[min, max]范围内。

API请参考:GradientClipByValue

模型平均

fluid通过 ParamAttrdo_model_average 属性设置单个parameter是否进行平均优化。示例如下:

  1. param_attrs = fluid.ParamAttr(name="fc_weight", do_model_average=true)y_predict = fluid.layers.fc(input=x, size=10, param_attr=param_attrs)

在miniBatch训练过程中,每个batch过后,都会更新一次parameters,模型平均做的就是平均最近k次更新产生的parameters。

平均后的parameters只是被用来进行测试和预测,其并不参与实际的训练过程。

具体API请参考:ModelAverage