pytorch中优化器weight_decay属性（正则化项）对模型训练的影响

这几天在跑一个CNN的时候，本来跑得好好的，有一天突然莫名的出现loss居高不下，准确率也上不来的情况。我很无语，找了半天都没找到原因，检查了很久，最终发现问题是在优化器optimizer上
原本的优化器是：

# 只是一个非常普通的随机梯度下降（SGD）优化器
optimizer = torch.optim.SGD(model.parameters(), lr=args.LR)

由于模型有一些过拟合（overfitting），我按照别人博客上的方法，给优化器增加了weight_decay属性，用它来起到正则化项（regularization或penalty loss）的作用。于是代码变成了：

# 只是一个非常普通的随机梯度下降（SGD）优化器
optimizer = torch.optim.SGD(model.parameters(), lr=args.LR, weight_decay=0.1)

加了这个属性后，会对所有模型参数θ进行惩罚（相当于penalty loss），weight_decay越大，惩罚越高。所以模型倾向于有更小的参数，根据奥卡姆剃刀原理，这有利于防止过拟合。但是在实验中我发现，weight_decay太大会让模型模型欠拟合，反倒不利于模型获得更好的效果。

于是我用相同的模型，使用不同的weight_decay参数，进行了四次实验，结果如下：

图中λ代表weight_decay的值，可以得出结论，λ越大，收敛时的损失越大，模型效果越差。并且这个weight_decay并没有减少过拟合情况（绿色的验证集曲线在训练后期仍旧缓缓下降）所以在我这个模型里这个参数没有起到任何正面作用，反而让模型更垃圾。