如何在 Chainer 的不同层实现单独的学习率或优化器？

Question

在我的神经网络结构中，我想使用不同的学习率或优化器，例如AdaGrad，在每一层。如何实施？等待你的帮助。谢谢

Answer 1

将 optimizer 设置为 model 后，模型中 link 的每个参数都具有 update_rule 属性（例如本例中的 AdaGradRule） , 它定义了如何更新此参数。

并且每个update_rule都有单独的hyperparam属性，所以你可以为link中的每个参数覆盖这些hyperparam。

下面是示例代码，

class MLP(chainer.Chain):

    def __init__(self, n_units, n_out):
        super(MLP, self).__init__()
        with self.init_scope():
            # input size of each layer will be inferred when omitted
            self.l1 = L.Linear(n_units)  # n_in -> n_units
            self.l2 = L.Linear(n_units)  # n_units -> n_units
            self.l3 = L.Linear(n_out)  # n_units -> n_out

    def __call__(self, x):
        h1 = F.relu(self.l1(x))
        h2 = F.relu(self.l2(h1))
        return self.l3(h2)

model = MLP(args.unit, 10)
classifier_model = L.Classifier(model)
if args.gpu >= 0:
    chainer.cuda.get_device_from_id(args.gpu).use()  # Make a specified GPU current
    classifier_model.to_gpu()  # Copy the model to the GPU

# Setup an optimizer
optimizer = chainer.optimizers.AdaGrad()
optimizer.setup(classifier_model)

# --- After `optimizer.setup()`, you can modify `hyperparam` of each parameter ---

# 1. Change `update_rule` for specific parameter
#    `l1` is `Linear` link, which has parameter `W` and `b`
classifier_model.predictor.l1.W.update_rule.hyperparam.lr = 0.01

# 2. Change `update_rule` for all parameters (W & b) of one link
for param in classifier_model.predictor.l2.params():
    param.update_rule.hyperparam.lr = 0.01

# --- You can setup trainer module to train the model in the following...
...

如何在 Chainer 的不同层实现单独的学习率或优化器？

How to implement separate learning rate or optimizer in different layer in Chainer?

neural-network

chainer