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: GradientClipByGlobalNormGradientClipByNormGradientClipByValue

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

    WeightNormParamAttr - 图1

    , rank是4,则dim可以选0,1,2,3;fc的权重shape是

    WeightNormParamAttr - 图2

    ,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

    WeightNormParamAttr - 图3

    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: L1DecayL2Decay ,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

  1. import paddle.fluid as fluid
  2. data = fluid.layers.data(name="data", shape=[3, 32, 32], dtype="float32")
  3. fc = fluid.layers.fc(input=data,
  4. size=1000,
  5. param_attr=fluid.WeightNormParamAttr(
  6. dim=None,
  7. name='weight_norm_param',
  8. initializer=fluid.initializer.ConstantInitializer(1.0),
  9. learning_rate=1.0,
  10. regularizer=fluid.regularizer.L2DecayRegularizer(regularization_coeff=0.1),
  11. trainable=True,
  12. do_model_average=False))