.. py:class:: paddle.static.WeightNormParamAttr(dim=None, name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, do_model_average=False, need_clip=True)
Note
动态图模式下请使用 paddle.nn.utils.weight_norm
。
Note
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::ref:`cn_api_paddle_nn_ClipGradByGlobalNorm` 、
:ref:`cn_api_paddle_nn_ClipGradByNorm` 、 :ref:`cn_api_paddle_nn_ClipGradByValue` 。
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
- dim (int,可选) - 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 [cout, cin, kh, kw] , rank 是 4,则 dim 可以选 0,1,2,3;fc 的权重 shape 是 [cout, cin] ,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 (str,可选) - 具体用法请参见 :ref:`api_guide_Name`,一般无需设置,默认值为 None。
- initializer (Initializer,可选) - 初始化参数方法,例如
initializer = fluid.nn.initializer.Constant(1.0)
。默认为 None,如果为 None 则使用默认初始化函数 Xavier() 。- learning_rate (float32,可选) - 学习率,优化过程 global\_lr\ast parameter\_lr\ast scheduler\_factor 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::ref:`cn_api_paddle_regularizer_L1Decay` 、 :ref:`cn_api_paddle_regularizer_L2Decay`,如果在
optimizer
(例如 :ref:`cn_api_paddle_optimizer_SGD` ) 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。
- need_clip (bool) - 可选,指明参数梯度是否需要在优化器中进行 clip,默认为 True。
COPY-FROM: paddle.static.WeightNormParamAttr