目录

• 1. tips
  • 1.1 学习率
  • 1.2 日志解释
  • 1.3 集群设置
  • 1.4 正则
  • 1.5 初始化
  • 1.6 输出中间层

1. tips

1.1 学习率

相关issue https://github.com/PaddlePaddle/Paddle/issues/1167

paddle_pr/proto/TrainerConfig.proto中有关于momentum各个参数的解释

学习率太大可能会出现floating point exception，可以调小一个数量级，或者使用梯度clipping

1.2 日志解释

Q: 日志中打出来的是 训练误差还是测试误差？

A: 训练的时候会打印训练误差，测试的时候会打印测试误差

1.3 集群设置

• 应该要保证文件数目大于节点数
• 单个节点的trainer数要小于batch size

1.4 正则

虽然损失函数里有正则，但在神经网络真正实现时，正则和损失函数是分开的两个部分。并不需要显示的将正则定义在损失函数里面。

全局化的正则（会加给每一个参数），设置方法如下： https://github.com/PaddlePaddle/models/blob/develop/mt_with_external_memory/train.py#L73

如果想针对性的调整某一个参数的正则，每个可学习的参数都可以通过 param_attr 关键字来设置一些如初始化 mead、std、正则系数等关键参数，调用方式可以参考这个例子：https://github.com/PaddlePaddle/models/blob/develop/text_classification/network_conf.py#L46

如果在optimizer中设置了全局正则系数，下面调用可以取消对fc层参数的正则，当然，也可以设置一个非0值，调整这个参数的正则系数。

 fc = paddle.layer.fc(
                 input=input_layer,
                 size=128,
                 param_attr=paddle.attr.Param(decay_rate=0))

1.5 初始化

正交初始化：

W = np.random.randn(ndim, ndim)
u, s, v = np.linalg.svd(W)

求正交要 svd ，可以用numpy算好之后，用u做初始化

1.6 输出中间层

参考issue：

https://github.com/PaddlePaddle/Paddle/issues/4153