• weight decay 和正则化caffe


    正则化是为了防止过拟合,因为正则化能降低权重

    caffe默认L2正则化

    代码讲解的地址:http://alanse7en.github.io/caffedai-ma-jie-xi-4/

    重要的一个回答:https://stats.stackexchange.com/questions/29130/difference-between-neural-net-weight-decay-and-learning-rate

    按照这个答主的说法,正则化损失函数,正则化之后的损失函数如下:

    这个损失函数求偏导就变成了:加号前面是原始损失函数求偏导,加号后面就变成了 *w,这样梯度更新就变了下式:

    wiwiηEwiηλwi.

    L2正则化的梯度更新公式,与没有加regulization正则化相比,每个参数更新的时候多剪了正则化的值,相当于让每个参数多剪了weight_decay*w原本的值

    根据caffe中的代码也可以推断出L1正则化的公式:

     把替换成*w的绝对值

    所以求偏导的时候就变成了,当w大于0为,当w小于0为-

    void SGDSolver<Dtype>::Regularize(int param_id) {
      const vector<shared_ptr<Blob<Dtype> > >& net_params = this->net_->params();
      const vector<float>& net_params_weight_decay =
          this->net_->params_weight_decay();
      Dtype weight_decay = this->param_.weight_decay();
      string regularization_type = this->param_.regularization_type();
      Dtype local_decay = weight_decay * net_params_weight_decay[param_id];
      switch (Caffe::mode()) {
      case Caffe::CPU: {
        if (local_decay) {
          if (regularization_type == "L2") {
            // add weight decay
            caffe_axpy(net_params[param_id]->count(),
                local_decay,
                net_params[param_id]->cpu_data(),
                net_params[param_id]->mutable_cpu_diff());
          } else if (regularization_type == "L1") {
            caffe_cpu_sign(net_params[param_id]->count(),
                net_params[param_id]->cpu_data(),
                temp_[param_id]->mutable_cpu_data());
            caffe_axpy(net_params[param_id]->count(),
                local_decay,
                temp_[param_id]->cpu_data(),
                net_params[param_id]->mutable_cpu_diff());
          } else {
            LOG(FATAL) << "Unknown regularization type: " << regularization_type;
          }    
        }    
        break;
      }

    caffe_axpy的实现在util下的math_functions.cpp里,实现的功能是y = a*x + y,也就是相当于把梯度更新值和weight_decay*w加起来了

    caffe_sign的实现在util下的math_functions.hpp里,通过一个宏定义生成了caffe_cpu_sign这个函数,函数实现的功能是当value>0返回1,<0返回-1

  • 相关阅读:
    原子核结构壳模型:粒子空穴转换
    第十二周学习总结
    构建之法读书笔记5
    5.21学习总结——android开发实现用户头像的上传
    5.20团队活动
    构建之法读书笔记4
    团队项目第一阶段验收
    HTML+CSS设计个人主页
    C++文件流
    面向对象程序设计_虚函数的应用
  • 原文地址:https://www.cnblogs.com/ymjyqsx/p/9160852.html
Copyright © 2020-2023  润新知