这个用法是怎么得知的，我看官方文档也没有这种用法
大佬牛逼！！所以正则化方式，lambda的取值在贝叶斯统计上相当于对w的先验分布的分布方式及对应参数的选择 
特地注册账号回复，好人一生平安 
为什么我的weight_decay只要不为0，训练和测试的误差曲线就出现震荡而不是减少？
平方范数 = 标准范数^2，个人认为
1111111111
为什么不直接调整lr变化呢，调整lr和权重衰退两种方法有什么区别呢
你好，这是我写的代码，希望能对你有所帮助，我也是新手，希望不会误导你
def train_(wd):
net = nn.Sequential(nn.Linear(num_inputs, 1)) # define net
for param in net.parameters(): # initialize parameters
param.data.normal_()
loss = nn.MSELoss(reduction='none')
num_epochs, lr = 100, 0.003
# 偏置参数没有衰减
trainer = torch.optim.SGD([
{"params":net[0].weight,'weight_decay': wd},
{"params":net[0].bias}], lr=lr)
for epoch in range(num_epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.mean().backward()
trainer.step()
return wd, (d2l.evaluate_loss(net, train_iter, loss), d2l.evaluate_loss(net, test_iter, loss))
def draw(wds):
animator = d2l.Animator(xlabel='lambd', ylabel='loss', yscale='log',
legend=['train', 'test'])
for wd in wds:
wd, loss = train_(wd)
animator.add(wd, loss)
wds = range(0, 100, 10)
draw(wds)
在权重衰减的两个版本的实现中，为什么《从头开始》的loss反向传播时使用的是l.sum().backward; 而使用框架自带的MSELoss计算得到的loss反向传播时使用的是l.mean().backward呢；在什么情况下应该使用sum(),什么情况下应该使用mean()呢
1 Like
从零版的Loss（包括本身的squared error和L2惩罚）乘了1/2系数；简洁版没有。我尝试把简洁版乘上这个系数，结果没啥变化，还是跟从零版结果差异明显。怀疑是trainer.step()方法跟自定义的d2l.sgd(）执行上有差异。
不知道为什么我的学习的特快，学习率已经调成0.0001了，不知道这样正不正常 
No1 question:
这里是验证了lamba从1到20的变化对结果的影响
def train_concise(wd):
net = nn.Sequential(nn.Linear(num_inputs, 1))
for param in net.parameters():
param.data.normal_()
loss = nn.MSELoss(reduction='none')
num_epochs, lr = 100, 0.003
# 偏置参数没有衰减
trainer = torch.optim.SGD([
{"params":net[0].weight,'weight_decay': wd},
{"params":net[0].bias}], lr=lr)
for epoch in range(num_epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.mean().backward()
trainer.step()
return d2l.evaluate_loss(net, train_iter, loss), d2l.evaluate_loss(net, test_iter, loss)
# 不同lamba值的影响
animator = d2l.Animator(xlabel='wds', ylabel='loss', yscale='log',
xlim=[1, 20], legend=['train', 'test'])
for i in range(20):
train_loss, test_loss = train_concise(i)
animator.add(i+1,(train_loss,test_loss))
plt.show()
print('ok')