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 ParamAttr 的 initializer 属性为单个parameter设置初始化方式。 示例如下：

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 ParamAttr 的 regularizer 属性为单个parameter设置正则化。

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 ParamAttr 的 gradient_clip 属性为单个parameter设置clipping方式。

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 ParamAttr 的 do_model_average 属性设置单个parameter是否进行平均优化。 示例如下：

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