Как правильно нормализовать веса во время обучения в PyTorch, не минуя Autograd? ⇐ Python

[Anonymous]

Я реализую нейронную сеть в PyTorch, и мне нужно нормализовать веса определенных слоев во время прямого прохода. В частности, я хочу нормализовать веса по норме L2 для некоторых слоев. Вот упрощенная версия моего кода:

Код: Выделить всё

import torch
import torch.nn.functional as F

class MyModel(torch.nn.Module):
def __init__(self, layers, activation_function):
super(MyModel, self).__init__()
self.layers = torch.nn.ModuleList(layers)
self.act_fun = activation_function

def forward(self, X):
output = X
for i, layer in enumerate(self.layers):
if i > 0:
# Normalize the weights
layer.weight.data = F.normalize(layer.weight, p=2, dim=1)
if i < len(self.layers) - 1:
output = self.act_fun(layer(output))
else:
output = layer(output)
return output.squeeze()

Меня беспокоит следующее:

• Совместимость Autograd: напрямую изменяя Layer.weight.data, я обхожу автоград PyTorch система? Будет ли это препятствовать правильному вычислению градиентов во время обратного распространения ошибки?
• Правильные обновления градиента: будет ли нормализация веса учитываться при вызове loss.backward(), или мне нужно обработать это по-другому обеспечить правильное вычисление градиента?
• Рекомендации: существует ли рекомендуемый способ нормализации весов слоев во время обучения в PyTorch, который поддерживает совместимость с autograd и обеспечивает правильное обновление градиента?

Я читал, что непосредственное изменение .data может вызвать проблемы с отслеживанием градиента, но я не уверен, как правильно реализовать нормализацию веса в этом контексте.

Подробнее здесь: https://stackoverflow.com/questions/790 ... ypassing-a