还是torch中的optim模块

最近在看BoF中的一些trick,发现在代码实现中有考虑对于参数的weight_decay只对卷积层的权重来进行正则化约束,不对所有参数进行约束,话不多说上代码,以torchvision中定义的resnet18为例

import torchvision
import torch.optim as optim
model1 = torchvision.models.resnet18()
parmas = []
params_dict = dict(model1.named_parameters())
for k ,v in params_dict.items():
    if 'conv{}.weight'.format(1,2) in k:
        parmas.append({'params':v,'weight_decay':0.001})
    else:
        parmas.append({'params':v,'weight_decay':0.0})

optimizier = optim.SGD(parmas,lr=0.001,weight_decay=0.001)

for param_group in optimizier.param_groups:
    print(param_group['weight_decay'])

在这里我思考了一个问题,我们的参数字典在加入params时设置了'weight_decay',但是定义optimizier的时候又定义了weight_decay,是否会覆盖掉我们之前定义的weight_decay呢,经过验证是不会的。遂又去看了optim的中文文档。

我们定义一个优化器的时候,以SGD为例,我们是一定要传入参数的,以傻子教程中定义 optimizier = optim.SGD(model1.parameters()),这个model1.parameters()在optim内部会自动被转换成一个字典,也就是{'params':model1.parameters()},这个字典的key是固定的,'params','lr','weight_decay',' eps'等,但注意在最终的optimizier里是一个list的形式,我们可以通过optimizier.param_groups访问,每一个list的元素是一个字典,字典内就是定义的参数等信息,我们在optimizier = optim.SGD(parmas,lr=0.001,weight_decay=0.001)中定义的lr,weight_decay只对我们这个param_groups中的字典没有定义这些内容的时候生效,如果像我们这样

{'params':v,'weight_decay':0.001}

事先定义好,则其不会覆盖我们定义好的内容,只对未定义的字典进行相应key的初始化。

修改学习率,即可如下定义:

for param_group in optimizier.param_groups:
    param_group['lr']= lr

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值