L1Decay_cn.rst

L1Decay

L1Decay实现L1权重衰减正则化，用于模型训练，使得权重矩阵稀疏。

该类生成的实例对象，需要设置在 cn_api_paddle_ParamAttr 或者 optimizer (例如 cn_api_paddle_optimizer_Momentum )中，在 ParamAttr 中设置时，只对该 网络层中的可训练参数生效；在 optimizer 中设置时，会对所有的可训练参数生效；如果同时设置，在 ParamAttr 中设置的优先级会高于在 optimizer 中的设置，即，对于一个可训练的参数，如果在 ParamAttr 中定义了正则化，那么会忽略 optimizer 中的正则化；否则会使用 optimizer中的 正则化。

具体实现中，L1权重衰减正则化的损失函数计算如下：

$$\begin{aligned} \\loss = coeff * reduce\_sum(abs(x))\\\ \end{aligned}$$

参数

• coeff (float) – L1正则化系数，默认值为0.0。

代码示例 1

# Example1: set Regularizer in optimizer
import paddle
from paddle.regularizer import L1Decay
import numpy as np
linear = paddle.nn.Linear(10, 10)
inp = paddle.rand(shape=[10, 10], dtype="float32")
out = linear(inp)
loss = paddle.mean(out)
beta1 = paddle.to_tensor([0.9], dtype="float32")
beta2 = paddle.to_tensor([0.99], dtype="float32")
momentum = paddle.optimizer.Momentum(
    learning_rate=0.1,
    parameters=linear.parameters(),
    weight_decay=L1Decay(0.0001))
back = out.backward()
momentum.step()
momentum.clear_grad()

代码示例 2

# Example2: set Regularizer in parameters
# Set L1 regularization in parameters.
# Global regularizer does not take effect on my_conv2d for this case.
from paddle.nn import Conv2D
from paddle import ParamAttr
from paddle.regularizer import L2Decay

my_conv2d = Conv2D(
                in_channels=10,
                out_channels=10,
                kernel_size=1,
                stride=1,
                padding=0,
                weight_attr=ParamAttr(regularizer=L2Decay(coeff=0.01)),
                bias_attr=False)