當我將 weight_decay 參數添加到 PyTorch 中的優化器時，我的訓練精度保持在 10%。 我正在使用 CIFAR10 數據集和 LeNet CNN model

Question

我正在 LeNet CNN model 上訓練 CIFAR10 數據集。 我在 Google Colab 上使用 PyTorch。 只有當我使用 Adam 優化器和 model.parameters() 作為唯一參數時，代碼才會運行。 但是當我改變我的優化器或使用 weight_decay 參數時，精度在所有時期都保持在 10%。 我無法理解它發生的原因。

# CNN Model - LeNet    
class LeNet_ReLU(nn.Module):
    def __init__(self):
        super().__init__()
        self.cnn_model = nn.Sequential(nn.Conv2d(3,6,5), 
                                       nn.ReLU(),
                                       nn.AvgPool2d(2, stride=2), 
                                       nn.Conv2d(6,16,5), 
                                       nn.ReLU(),
                                       nn.AvgPool2d(2, stride=2))  
        self.fc_model = nn.Sequential(nn.Linear(400, 120),   
                                      nn.ReLU(),
                                      nn.Linear(120,84),  
                                      nn.ReLU(),
                                      nn.Linear(84,10))

    def forward(self, x):
        x = self.cnn_model(x)
        x = x.view(x.size(0), -1)
        x = self.fc_model(x)
        return x

# Importing dataset and creating dataloader
batch_size = 128
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True,
                                    transform=transforms.ToTensor())
trainloader = utils_data.DataLoader(trainset, batch_size=batch_size, shuffle=True)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True,
                                    transform=transforms.ToTensor())
testloader = utils_data.DataLoader(testset, batch_size=batch_size, shuffle=False)

# Creating instance of the model
net = LeNet_ReLU()

# Evaluation function
def evaluation(dataloader):
    total, correct = 0, 0
    for data in dataloader:
        inputs, labels = data

        outputs = net(inputs)
        _, pred = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (pred==labels).sum().item()
    return correct/total * 100

# Loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
opt = optim.Adam(net.parameters(), weight_decay = 0.9)

# Model training
loss_epoch_arr = []
max_epochs = 16

for epoch in range(max_epochs):
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        outputs = net(inputs)
        loss = loss_fn(outputs, labels)
        loss.backward()
        opt.step()

        opt.zero_grad()


    loss_epoch_arr.append(loss.item())

    print('Epoch: %d/%d, Test acc: %0.2f, Train acc: %0.2f'
    % (epoch,max_epochs, evaluation(testloader), evaluation(trainloader))) 

plt.plot(loss_epoch_arr)

Answer 1

權重衰減機制為高值權重設置了懲罰，即它通過將權重的總和乘以您給它的weight_decay參數來限制權重以具有相對較小的值。 這可以看作是一個二次正則化項。

當傳遞大weight_decay值時，您可能會過於嚴格地限制您的網絡並阻止它學習，這可能是它具有 10% 的准確率的原因，這與非學習有關並且只是猜測答案（因為您有 10 個類當 output 根本不是您輸入的 function 時，接收 10% 的 acc）。

解決方案是使用不同的值，訓練weight_decay為1e-4或該區域的其他一些值。 請注意，當您達到接近零的值時，您應該得到更接近初始訓練的結果，而不使用權重衰減。

希望有幫助。