1
在我的NN结构中,我想使用不同的学习速率或优化器,例如AdaGrad,在每一层。如何实现它?等待你的帮助。 THKS。如何在Chainer的不同层实现单独的学习率或优化器?
在我的NN结构中,我想使用不同的学习速率或优化器,例如AdaGrad,在每一层。如何实现它?等待你的帮助。 THKS。如何在Chainer的不同层实现单独的学习率或优化器?
后设置optimizer
到model
,在模型的link
每个参数update_rule
属性(例如,在这种情况下AdaGradRule
),它定义了如何更新此参数。
而且每个update_rule
分别具有hyperparam
属性,因此您可以为链接中的每个参数覆盖这些hyperparam
。
下面是一个示例代码,
class MLP(chainer.Chain):
def __init__(self, n_units, n_out):
super(MLP, self).__init__()
with self.init_scope():
# input size of each layer will be inferred when omitted
self.l1 = L.Linear(n_units) # n_in -> n_units
self.l2 = L.Linear(n_units) # n_units -> n_units
self.l3 = L.Linear(n_out) # n_units -> n_out
def __call__(self, x):
h1 = F.relu(self.l1(x))
h2 = F.relu(self.l2(h1))
return self.l3(h2)
model = MLP(args.unit, 10)
classifier_model = L.Classifier(model)
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use() # Make a specified GPU current
classifier_model.to_gpu() # Copy the model to the GPU
# Setup an optimizer
optimizer = chainer.optimizers.AdaGrad()
optimizer.setup(classifier_model)
# --- After `optimizer.setup()`, you can modify `hyperparam` of each parameter ---
# 1. Change `update_rule` for specific parameter
# `l1` is `Linear` link, which has parameter `W` and `b`
classifier_model.predictor.l1.W.update_rule.hyperparam.lr = 0.01
# 2. Change `update_rule` for all parameters (W & b) of one link
for param in classifier_model.predictor.l2.params():
param.update_rule.hyperparam.lr = 0.01
# --- You can setup trainer module to train the model in the following...
...
出色的工作!我正在寻找的详细描述如何。我很感谢你的帮助。我会稍后再尝试,并给你更多的回应。 –
哇,它完美的作品!但是我还有另外一个问题,我可以为每一层设置单独的优化器 - adagrad,sgd - 和l2正则化 - 0.0001,0.00001 - ? –
@corochann \t 我很抱歉再次遇到你。当我设置model.l1.W.update_rule.hyperparam.lr = 0.01。如何在设置单个图层的学习率时应用“在每个时代之后衰减”? – machen