随机权值平均的原理解释

SWA 的工作原理。它只保存两个模型，而不是许多模型的集成：

第一个模型保存模型权值的平均值（WSWA）。在训练结束后，它将是用于预测的最终模型。

第二个模型（W）将穿过权值空间，基于周期性学习率规划探索权重空间。

 

SWA权重更新公式

在每个学习率周期的末尾，第二个模型的当前权重将用来更新第一个模型的权重（公式如上）。因此，在训练阶段，只需训练一个模型，并在内存中储存两个模型。预测时只需要平均模型，基于其进行预测将比之前描述的集成快很多，因为在那种集成中，你需要使用多个模型进行预测，最后再进行平均。

参考资料：https://blog.csdn.net/e01528/article/details/82354477

转载于:https://www.cnblogs.com/tay007/p/11358252.html