不理解添加L1规范怎样使得BN层的某些gama值变为0的？

[ZhangAdjy]

bn_module.weight.grad.data.add_(s * torch.sign(bn_module.weight.data)) # L1
不理解将L1范式加到grad上后怎样来使得gama值变成0，以便于后续裁剪？麻烦知道的朋友告知一下，谢谢了

[ZongshengXie]

因为每次更新是要执行weight -= weight.grad的，这个操作相当于若weight为正，每次更新多减一点，若为负，每次更新时少减一点，于是weight就有向0的趋势

[Curry-Christopher]

我做了一些实验证明，加了加了L1范式后，如@ZongshenXie所说可以使γ更趋近于0（也就是数值较小的γ更多了），但是并不可以使γ值变为0。

[ZongshengXie]

我做了一些实验证明，加了加了L1范式后，如@ZongshenXie所说可以使γ更趋近于0（也就是数值较小的γ更多了），但是并不可以使γ值变为0。

代码里面实际上并不是L1，而是一个与γ正负相同的固定值，应该算是L0。另外，剪枝并不需要使γ严格等于0，而是让部分γ足够小，也就是让这部分channel对网络的影响变小，从而剪枝的时候把它们去掉后网络依然能够正常运行

[Curry-Christopher]

我做了一些实验证明，加了加了L1范式后，如@ZongshenXie所说可以使γ更趋近于0（也就是数值较小的γ更多了），但是并不可以使γ值变为0。

代码里面实际上并不是L1，而是一个与γ正负相同的固定值，应该算是L0。另外，剪枝并不需要使γ严格等于0，而是让部分γ足够小，也就是让这部分channel对网络的影响变小，从而剪枝的时候把它们去掉后网络依然能够正常运行

L0的说法还是不太严谨的，这里援引netslim原作者的回答Eric-mingjie/network-slimming#31

[EricliuEx]

#因此对于bn_module.weight.data(scale)为正数的，等于增大其梯度，按照梯度相反数更新，即bn_module.weight.data(scale)为正数的数值调小，
#因此对于bn_module.weight.data(scale)为负数的，等于减小其梯度，按照梯度相反数更新，即bn_module.weight.data(scale)e为负数的数值调大，
#即将bn_module.weight.data(scale)的绝对值调小，是其增加regular 用来产生绝对值调小的bn_module.weight.data(scale)方便其后的剪枝