优化函数主要有，SGD, Adam，RMSProp这三种，并且有lr学习率，momentum动量，betas等参数需要设置。
通过这篇文章，可以学到pytorch中的优化函数的使用。
1.代码
代码参考《python深度学习-基于pytorch》，改了一下网络结构，其他没变化。
import torch
import torch.utils.data as Data
import torch.nn.functional as Func
import matplotlib.pyplot as pltLR =0.01
BATCH_SIZE = 20
EPOCH = 12#生成数据
#将一维变成二维数据
x = torch.unsqueeze(torch.linspace(-1,1,1000),dim=1)
y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size()))A = x.size()
B = x.size()torch_dataset = Data.TensorDataset(x,y)
data_loader = Data.DataLoader(dataset=torch_dataset,batch_size= BATCH_SIZE,shuffle=False)class Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.hidden1 = torch.nn.Linear(1,20)self.hidden2 = torch.nn.Linear(20, 40)self.predict = torch.nn.Linear(40,1)def forward(self,x):x = Func.relu(self.hidden1(x))x = Func.relu(self.hidden2(x))x = self.predict(x)return xnet_SGD = Net()
net_Momentum = Net()
net_PMSProp = Net()
NET_Adam = Net()nets = {net_SGD,net_Momentum,net_PMSProp,NET_Adam }opt_SGD = torch.optim.SGD(net_SGD.parameters(),lr=LR)
opt_Momentum = torch.optim.SGD(net_Momentum.parameters(),momentum=0.3,lr=LR)
opt_PMSProp = torch.optim.RMSprop(net_PMSProp.parameters())
opt_Adam = torch.optim.Adam(NET_Adam.parameters(),lr=LR,betas=(0.9,0.99))optimizers = {opt_SGD,opt_Momentum, opt_PMSProp, opt_Adam}loss_func = torch.nn.MSELoss()loss_his =[[],[],[],[]]for epoch in range((EPOCH)):for step,(batch_x,batch_y) in enumerate(data_loader):for net, opt, l_his, in zip(nets, optimizers,loss_his):output = net(batch_x)loss = loss_func(output,batch_y)opt.zero_grad()loss.backward()opt.step()l_his.append(loss.data.numpy())
labels = ['SGD','SGD_Momentum','RMSProp','Adam']#可视化
for i, l_his in enumerate(loss_his):plt.plot(l_his,label = labels[i])
plt.legend(loc='best')
plt.xlabel('steps')
plt.ylabel('loss')
# plt.ylim((0,0.8))
plt.show()
2.结果
通过测试，发现每一次的结果都不一样，每一次结果的显示图也不一样。因为shuffle=True。
为shuffle=True时候显示的其中一个结果为：
当shuffle为False时，发现也不稳定，其中一张结果显示为：
3.大家copy代码后，可以调一调batch_size，lr，momentum，betas等参数。
其中lr动态修改学习率的代码为：
print(opt_SGD.param_groups)
opt_SGD.param_groups[0]['lr']*=0.1
opt_SGD.param_groups[0]['momentum']
)
