机器学习PAI各种学习率的协同,大家有什么好的经验可以分享么? embedding_regularization: 5e-06
l2_regularization: 1e-06
initial_learning_rate: 0.001
decay_steps: 20000
decay_factor: 0.5
min_learning_rate: 1e-06
regularization的系数是否需要比min_learning_rate小一个数量级更合适?否则后期的学习就只有正则化的作用了,正常目标loss的作用就被淹没了?
我一般用adam_asyncw_optimizer,embedding_regularization=0, l2_regularization=0
train_config {
optimizer_config {
use_moving_average: false
adam_asyncw_optimizer {
weight_decay: 1e-6
learning_rate {
constant_learning_rate {
learning_rate: 0.001
}
}
}
}
sync_replicas: false
save_summary_steps: 200
log_step_count_steps: 200
save_checkpoints_steps: 10000
}
adamWoptimizer本身就会执行正则化 ,此回答整理自钉群“【EasyRec】推荐算法交流群”
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
人工智能平台 PAI(Platform for AI,原机器学习平台PAI)是面向开发者和企业的机器学习/深度学习工程平台,提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务,内置140+种优化算法,具备丰富的行业场景插件,为用户提供低门槛、高性能的云原生AI工程化能力。