在PyTorch中，可以使用torch.nn.Module类中的parameters()方法来获取模型的权重参数，然后使用正则化方法来对这些参数进行约束。下面是一个示例代码，演示了如何对模型的权重进行L2正则化

来源：恒创科技编辑：恒创科技编辑部

2024-03-06 14:05:13

在PyTorch中，可以使用torch.nn.Module类中的parameters()方法来获取模型的权重参数，然后使用正则化方法来对这些参数进行约束。下面是一个示例代码，演示了如何对模型的权重进行L2正则化：

importtorch
importtorch.nnasnn
importtorch.optimasoptim

#定义一个简单的神经网络模型
classNet(nn.Module):
def__init__(self):
super(Net,self).__init__()
self.fc1=nn.Linear(10,5)
self.fc2=nn.Linear(5,1)

defforward(self,x):
x=torch.relu(self.fc1(x))
x=self.fc2(x)
returnx

#创建模型实例
model=Net()

#定义L2正则化参数
l2_lambda=0.01

#定义优化器和损失函数
optimizer=optim.Adam(model.parameters(),lr=0.01)
criterion=nn.MSELoss()

#训练模型
forepochinrange(100):
optimizer.zero_grad()

#正向传播
output=model(torch.randn(1,10))
loss=criterion(output,torch.randn(1,1))

#添加L2正则化项
l2_reg=torch.tensor(0.)
forparaminmodel.parameters():
l2_reg+=torch.norm(param)

loss+=l2_lambda*l2_reg

#反向传播
loss.backward()
optimizer.step()

在上述示例中，我们首先定义了一个简单的神经网络模型Net，然后创建了模型实例。在训练循环中，我们使用optimizer.zero_grad()来清除之前的梯度，然后进行正向传播和计算损失。接着，我们计算所有权重参数的L2范数，并将其添加到损失函数中作为正则化项。最后，我们进行反向传播和更新模型参数。