参数调整常见问题

问题:如何将本地数据传入paddle.nn.embedding的参数矩阵中?

  • 答复:需将本地词典向量读取为NumPy数据格式,然后使用paddle.nn.initializer.Assign这个API初始化paddle.nn.embedding里的param_attr参数,即可实现加载用户自定义(或预训练)的Embedding向量。


问题:如何实现网络层中多个feature间共享该层的向量权重?

  • 答复:你可以使用paddle.ParamAttr并设定一个name参数,然后再将这个类的对象传入网络层的param_attr参数中,即将所有网络层中param_attr参数里的name设置为同一个,即可实现共享向量权重。如使用embedding层时,可以设置param_attr=paddle.ParamAttr(name="word_embedding"),然后把param_attr传入embedding层中。


问题:使用optimizer或ParamAttr设置的正则化和学习率,二者什么差异?

  • 答复:ParamAttr中定义的regularizer优先级更高。若ParamAttr中定义了regularizer,则忽略Optimizer中的regularizer;否则,则使用Optimizer中的regularizer。ParamAttr中的学习率默认为1.0,在对参数优化时,最终的学习率等于optimizer的学习率乘以ParamAttr的学习率。


问题:如何导出指定层的权重,如导出最后一层的weightsbias

  • 答复:

  1. 在动态图中,使用paddle.save API, 并将最后一层的layer.state_dict() 传入至save方法的obj 参数即可, 然后使用paddle.load 方法加载对应层的参数值。详细可参考API文档saveload

  2. 在静态图中,使用paddle.static.save_vars保存指定的vars,然后使用paddle.static.load_vars加载对应层的参数值。具体示例请见API文档:load_varssave_vars


问题:训练过程中如何固定网络和Batch Normalization(BN)?

  • 答复:

  1. 对于固定BN:设置 use_global_stats=True,使用已加载的全局均值和方差:global mean/variance,具体内容可查看官网API文档batch_norm

  2. 对于固定网络层:如: stage1→ stage2 → stage3 ,设置stage2的输出,假设为y,设置 y.stop_gradient=True,那么, stage1→ stage2整体都固定了,不再更新。


问题:训练的step在参数优化器中是如何变化的?

图片名称
  • 答复:

    step表示的是经历了多少组mini_batch,其统计方法为exe.run(对应Program)运行的当前次数,即每运行一次exe.run,step加1。举例代码如下:

# 执行下方代码后相当于step增加了N x Epoch总数
for epoch in range(epochs):
    # 执行下方代码后step相当于自增了N
    for data in [mini_batch_1,2,3...N]:
        # 执行下方代码后step += 1
        exe.run(data)

问题:如何修改全连接层参数,比如weight,bias?

  • 答复:可以通过param_attr设置参数的属性,paddle.ParamAttr(initializer=paddle.nn.initializer.Normal(0.0, 0.02), learning_rate=2.0),如果learning_rate设置为0,该层就不参与训练。也可以构造一个numpy数据,使用paddle.nn.initializer.Assign来给权重设置想要的值。