电脑基础 · 2023年4月19日

权重衰减/权重衰退——weight_decay

目录

  • 权重衰减/权重衰退——weight_decay
    • 一、什么是权重衰减/权重衰退——weight_decay?
    • 二、weight decay 的作用
    • 三、设置weight decay的值为多少?

权重衰减/权重衰退——weight_decay

import torch.optim as optim
from torch.optim.lr_scheduler import CosineAnnealingLR
 opt = optim.Adam(parameters, lr=args.lr, weight_decay=1e-4)
 # CosineAnnealingLR 余弦退火调整学习率
 lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=args.epochs,
                                                              eta_min=0, last_epoch=-1)
  1. weight_decay = 1e-4
  2. weight_decay = 1e-6

一、什么是权重衰减/权重衰退——weight_decay?

weight_decay(权重衰退):

  • L2正则化
  • 主要作用是:解决过拟合,在损失函数中加入L2正则化项

weight _decay本质上是一个 L2正则化系数

L
=
E
i
n
+
λ

j
w
j
2
L=E_{i n}+\lambda \sum_j w_j^2
L=Ein+λjwj2

可以理解为:

  • 加上这个 L2正则化,会限制模型的权重都会趋近于0
  • 理解就是当 w 趋近 0 时, w平方和 会小, 模型损失也会变小
  • weight_decay的大小就是公式中的λ,可以理解为λ越大,优化器就越限制权重变得趋近 0

权重衰减( Weight Decay)

  • 一种有效的正则化方法 [Hanson et al.,1989]
  • 在每次参数更新时,引入一个衰减系数

    θ
    t

    (
    1

    β
    )
    θ
    t

    1

    α
    g
    t
    \theta_t \leftarrow(1-\beta) \theta_{t-1}-\alpha g_t
    θt(1β)θt1αgt

    其中:
  • gt 为第t步更新时的梯度
  • α学习率
  • β权重减系数
  • 一般取值比较小,比如0.0005
    在标准的随机梯度下降中,权重衰减正则化和正则化的效果相同
  • 因此,权重衰减在一些深度学习框架中通过 L2 正则化来实现
  • 但是,在较为复杂的优化方法( 比如Adam ) 中,权重衰减正则化和正则化并不等价 [Loshchilov et al, 2017b]

二、weight decay 的作用

使用 weight decay 可以:

  • 防止过拟合
  • 保持权重在一个较小在的值,避免梯度爆炸。
    • 因为在原本的 loss 函数上加上了权重值的 L2 范数,在每次迭代时,模不仅会去优化/最小化 loss,还会使模型权重最小化
    • 让权重值保持尽可能小,有利于控制权重值的变化幅度(如果梯度很大,说明模型本身在变化很大,去过拟合样本),从而避免梯度爆炸

三、设置weight decay的值为多少?

weight_decay即权重衰退。

  • 为了防止过拟合,在原本损失函数的基础上,加上L2正则化
    • 而weight_decay就是这个正则化的lambda参数
  • 一般设置为1e-8,所以调参的时候调整是否使用权重衰退即可

在深度学习模型中,一般将衰减系数设置为 0.00010.001 之 间的值

  • 这是一个比较常用的范围
  • 经验值也表明,这个范围是最佳的

论文里是验证了1e-4比较好

  • 当你不确定模型复杂度和数据集大小的时候,最保守就是从1e-4周围开始尝试

在看其他量化训练的一些代码、论文等,不经意间注意到有人建议要关注weight decay值的设置

  • 建议设置为1e-4, 不要设置为1e-5这么小
  • 当然,这个值最好还是在当下的训练任务上调一调。

因为weight-decay 可以使参数尽可能地小,尽可能地紧凑

  • 那这样权重的数值就不太可能出现若干个极端数值(偏离权重均值过大或过小)导致数值区间过大
  • 这样求得的 scale=(b-a)/255 会偏大,导致的结果就是大量数值较为接近的浮点数被量化到同一个数,严重损失了精度