torch.optim - PyTorch中文文档 (pytorch-cn.readthedocs.io)

torch.optim — PyTorch 2.3 documentation

反向传播可以求出神经网路中每个需要调节参数的梯度(grad)，优化器可以根据梯度进行调整，达到降低整体误差的作用。下面我们对优化器进行介绍。

构造优化器

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)

• 选择优化器的算法optim.SGD
• 之后在优化器中放入模型参数model.parameters()，这一步是必备的

• 还可在函数中设置一些参数，如学习速率lr=0.01（这是每个优化器中几乎都会有的参数）

调用优化器中的step方法

step()方法就是利用我们之前获得的梯度，对神经网络中的参数进行更新。

for input, target in dataset:optimizer.zero_grad()output = model(input)loss = loss_fn(output, target)loss.backward()optimizer.step()

• 步骤optimizer.zero_grad()是必选的。对每个参数的梯度进行清零

• 我们的输入经过了模型，并得到了输出output

• 之后计算输出和target之间的误差loss

• 调用误差的反向传播loss.backwrd，更新每个参数对应的梯度。

• 调用optimizer.step()对卷积核中的参数进行优化调整。

• 之后继续进入for循环，使用函数optimizer.zero_grad()对每个参数的梯度进行清零，防止上一轮循环中计算出来的梯度影响下一轮循环。

优化器的使用

优化器中算法共有的参数（其他参数因优化器的算法而异）：

• params: 传入优化器模型中的参数

• lr: learning rate，即学习速率

关于学习速率：

• 一般来说，学习速率设置得太大，模型运行起来会不稳定

• 学习速率设置得太小，模型训练起来会过慢

• 建议在最开始训练模型的时候，选择设置一个较大的学习速率；训练到后面的时候，再选择一个较小的学习速率

代码实战：

选择CIFAR10

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Linear, Sequential, Flatten
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset, batch_size=1)class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model = Sequential(Conv2d(3, 32, kernel_size=5, padding=2),MaxPool2d(kernel_size=2),Conv2d(32, 32, kernel_size=5, padding=2),MaxPool2d(kernel_size=2),Conv2d(32, 64, kernel_size=5, padding=2),MaxPool2d(kernel_size=2),Flatten(),Linear(64 * 4 * 4, 64),Linear(64, 10))def forward(self, x):x = self.model(x)return xloss = nn.CrossEntropyLoss()
tudui = Tudui()
optim = torch.optim.SGD(tudui.parameters(), lr=0.01)
for epoch in range(20):running_loss = 0.0for data in dataloader:imgs, targets = dataoutputs = tudui(imgs)# print(outputs)# print(targets)result_loss = loss(outputs, targets)optim.zero_grad()result_loss.backward()optim.step()# print(result_loss)running_loss = running_loss + result_lossprint(running_loss)

输出：

总结（使用优化器训练的训练套路）：

• 设置损失函数loss function

• 定义优化器optim

• 从使用循环dataloader中的数据：for data in dataloder

  • 取出图片imgs，标签targets：imgs,targets=data

  • 将图片放入神经网络，并得到一个输出：output=model(imgs)

  • 计算误差：loss_result=loss(output,targets)

  • 使用优化器，初始化参数的梯度为0：optim.zero_grad()

  • 使用反向传播求出梯度：loss_result.backward()

  • 根据梯度，对每一个参数进行更新：optim.step()

• 进入下一个循环，直到完成训练所需的循环次数