【PyTorch】6.Learn about the optimization loop 了解优化循环

Learn about the optimization loop 了解优化循环

Optimizing Model Parameters 优化模型参数

现在我们有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（损失），收集相对于其参数的导数的误差（如我们在上一节中看到的），并使用梯度下降优化这些参数。有关此过程的更详细演练，请观看3Blue1Brown 的反向传播有关视频。

Prerequisite Code 前置代码

我们加载前面有关数据集和数据加载器以及构建模型的代码。

%matplotlib inline
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambdatraining_data = datasets.FashionMNIST(root = "data",train = True,download = True,transform = ToTensor()
)test_data = datasets.FashionMNIST(root = "data",train = False,download = True,transform = ToTensor()
)train_dataloader = DataLoader(training_data, batch_size = 64)
test_dataloader = DataLoader(test_data, batch_size = 64)class NeuralNetwork(nn.Module):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.linear_relu_stack = nn.Sequential(nn.Linear(28*28, 512),nn.ReLU(),nn.Linear(512, 512),nn.ReLU(),nn.Linear(512, 10),nn.ReLU())def forward(self, x):x = self.flatten(x)logits = self.linear_relu_stack(x)return logitsmodel = NeuralNetwork()

Setting hyperparameters 设置超参数

超参数是可调整的参数，可让您控制模型优化过程。不同的超参数值会影响模型训练和收敛速度（阅读有关超参数调整的更多信息）

我们定义以下训练超参数：

Number of Epochs - 整个训练数据集通过网络的次数。
Batch Size - 每个Epoch模型看到的数据样本数量。迭代完成一个epoch所需的批次数。
Learning Rate- 模型在搜索可产生更高模型精度的最佳权重时匹配的步长大小。值越小意味着模型需要更长的时间才能找到最佳权重。较大的值可能会导致模型跳过并错过最佳权重，从而在训练期间产生不可预测的行为。

learning_rate = 1e-3
batch_size = 64
epochs = 5

Add an optimization loop 添加优化循环

一旦我们设置了超参数，我们就可以使用优化循环来训练和优化我们的模型。优化循环的每次迭代称为一个epoch。

每个 epoch由两个主要部分组成：

The Train Loop - 迭代训练数据集并尝试收敛到最佳参数。
The Validation/Test Loop - 迭代测试数据集以检查模型性能是否有所改善。

让我们简单熟悉一下训练循环中使用的一些概念。向前跳转查看优化循环的完整实现。

Add a loss function 添加损失函数

当提供一些训练数据时，我们未经训练的网络可能不会给出正确的答案。损失函数衡量的是得到的结果与目标值的不相似程度，它是我们在训练时想要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。

常见的损失函数包括：

nn.MSELoss（Mean Square Error 均方误差）用于回归任务
nn.NLLLoss（Negative Log Likelihood 负对数似然）用于分类
nn.CrossEntropyLoss 结合了nn.LogSoftmax和nn.NLLLoss。

我们将模型的输出 logits 传递给nn.CrossEntropyLoss，这将标准化 logits 并计算预测误差。

# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()

Optimization pass 优化传递

优化是调整模型参数以减少每个训练步骤中模型误差的过程。Optimization algorithms定义了如何执行此过程（在本例中我们使用 Stochastic Gradient Descent 随机梯度下降）。所有优化逻辑都封装在optimizer对象中。这里，我们使用SGD优化器；此外，PyTorch 中还有许多不同的优化器，例如 ADAM 和 RMSProp，它们可以更好地处理不同类型的模型和数据。

注册需要训练的模型参数，并传入学习率超参数。我们通过这种方式，来初始化优化器。

optimizer = torch.optim.SGD(model.parameters(), lr= learning_rate)

在训练循环中，优化分三个步骤进行：

调用optimizer.zero_grad()重置模型参数的梯度。默认情况下渐变相加；为了防止重复计算，我们在每次迭代时明确地将它们归零。
通过调用loss.backward()来反向传播预测损失。PyTorch 存储每个参数的损失梯度。
一旦我们有了梯度，通过后向传递中收集的梯度，我们就可以调用optimizer.step()来调整参数。

Full Implementation 全面实施

我们定义了train_loop优化代码的循环，test_loop根据我们的测试数据评估模型的性能。

def train_loop(dataloader, model, loss_fn, optimizer):size = len(dataloader.dataset)for batch, (X, y) in enumerate(dataloader):# Compute prediction and losspred = model(X)loss = loss_fn(pred, y)# Backpropagationoptimizer.zero_grad()loss.backward()optimizer.step()if batch % 100 == 0:loss, current = loss.item(), batch * len(X)print(f"loss: {loss:>7f} {current:>5d}/{size:>5d}")def test_loop(dataloader, model, loss_fn):size = len(dataloader.dataset)num_batches = len(dataloader)test_loss, correct = 0, 0with torch.no_grad():for X, y in dataloader:pred = model(X)test_loss += loss_fn(pred, y).item()correct += (pred.argmax(1) == y).type(torch.float).sum().item()test_loss /= num_batchescorrect /= sizeprint(f"Test Error: \n Accuracy: {100 * correct:>0.1f}%, Avg loss: {test_loss:>8f} \n")

我们初始化损失函数和优化器，并将其传递给train_loop和test_loop。请随意增加epoch数来跟踪模型改进的性能。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)epochs = 10
for t in range(epochs):print(f"Epoch {t+1} \n ----------")train_loop(train_dataloader, model, loss_fn, optimizer)test_loop(train_dataloader, model, loss_fn)
print("Done!")

Epoch 1 ----------
loss: 2.301911     0/60000
loss: 2.292816  6400/60000
loss: 2.287881 12800/60000
loss: 2.287051 19200/60000
loss: 2.255377 25600/60000
loss: 2.253076 32000/60000
loss: 2.260443 38400/60000
loss: 2.247314 44800/60000
loss: 2.241305 51200/60000
loss: 2.210870 57600/60000
Test Error: Accuracy: 36.2%, Avg loss: 2.231190 Epoch 2 ----------
loss: 2.239081     0/60000
loss: 2.230416  6400/60000
loss: 2.228071 12800/60000
loss: 2.236214 19200/60000
loss: 2.153478 25600/60000
loss: 2.158298 32000/60000
loss: 2.178127 38400/60000
loss: 2.160697 44800/60000
loss: 2.154827 51200/60000
loss: 2.075521 57600/60000
Test Error: Accuracy: 36.6%, Avg loss: 2.133443 Epoch 3 ----------
loss: 2.146330     0/60000
loss: 2.128829  6400/60000
loss: 2.128925 12800/60000
loss: 2.157317 19200/60000
loss: 1.988493 25600/60000
loss: 2.024168 32000/60000
loss: 2.047211 38400/60000
loss: 2.034990 44800/60000
loss: 2.041876 51200/60000
loss: 1.895464 57600/60000
Test Error: Accuracy: 36.6%, Avg loss: 2.005870 Epoch 4 ----------
loss: 2.021032     0/60000
loss: 1.997008  6400/60000
loss: 2.011971 12800/60000
loss: 2.068262 19200/60000
loss: 1.803704 25600/60000
loss: 1.892051 32000/60000
loss: 1.908679 38400/60000
loss: 1.918824 44800/60000
loss: 1.930000 51200/60000
loss: 1.739982 57600/60000
Test Error: Accuracy: 36.9%, Avg loss: 1.891897 Epoch 5 ----------
loss: 1.902151     0/60000
loss: 1.882296  6400/60000
loss: 1.913334 12800/60000
loss: 1.990550 19200/60000
loss: 1.657651 25600/60000
loss: 1.794650 32000/60000
loss: 1.795805 38400/60000
loss: 1.831202 44800/60000
loss: 1.833831 51200/60000
loss: 1.629697 57600/60000
Test Error: Accuracy: 37.4%, Avg loss: 1.799645 Epoch 6 ----------
loss: 1.802362     0/60000
loss: 1.789743  6400/60000
loss: 1.826163 12800/60000
loss: 1.926406 19200/60000
loss: 1.548903 25600/60000
loss: 1.718380 32000/60000
loss: 1.711547 38400/60000
loss: 1.762800 44800/60000
loss: 1.758859 51200/60000
loss: 1.552383 57600/60000
Test Error: Accuracy: 38.0%, Avg loss: 1.727585 Epoch 7 ----------
loss: 1.725688     0/60000
loss: 1.717472  6400/60000
loss: 1.751318 12800/60000
loss: 1.876573 19200/60000
loss: 1.472371 25600/60000
loss: 1.662801 32000/60000
loss: 1.653247 38400/60000
loss: 1.712392 44800/60000
loss: 1.704763 51200/60000
loss: 1.500154 57600/60000
Test Error: Accuracy: 39.0%, Avg loss: 1.674637 Epoch 8 ----------
loss: 1.668191     0/60000
loss: 1.661058  6400/60000
loss: 1.691381 12800/60000
loss: 1.841454 19200/60000
loss: 1.421006 25600/60000
loss: 1.622762 32000/60000
loss: 1.614252 38400/60000
loss: 1.674310 44800/60000
loss: 1.665184 51200/60000
loss: 1.463472 57600/60000
Test Error: Accuracy: 40.0%, Avg loss: 1.635488 Epoch 9 ----------
loss: 1.624500     0/60000
loss: 1.616901  6400/60000
loss: 1.642325 12800/60000
loss: 1.813562 19200/60000
loss: 1.385301 25600/60000
loss: 1.592487 32000/60000
loss: 1.585913 38400/60000
loss: 1.645142 44800/60000
loss: 1.634234 51200/60000
loss: 1.435932 57600/60000
Test Error: Accuracy: 41.0%, Avg loss: 1.604748 Epoch 10 ----------
loss: 1.588852     0/60000
loss: 1.580336  6400/60000
loss: 1.601489 12800/60000
loss: 1.791107 19200/60000
loss: 1.359017 25600/60000
loss: 1.568917 32000/60000
loss: 1.563138 38400/60000
loss: 1.620597 44800/60000
loss: 1.591901 51200/60000
loss: 1.372489 57600/60000
Test Error: Accuracy: 42.0%, Avg loss: 1.533991 Done!

您可能已经注意到该模型最初不是很好（没关系！）。尝试运行循环更多的 epochs 或将 learning_rate 调整为更大的数字。也可能是这样的情况，我们选择的模型配置可能不是解决此类问题的最佳配置（事实并非如此）。后续课程将更深入地研究适用于视觉问题的模型形状。

保存模型

当您对模型的性能感到满意时，可以使用 torch.save 保存它。 PyTorch 模型将学习到的参数存储在internal state dictionar内部状态字典中，称为 state_dict 。这些可以通过 torch.save 方法保存：

torch.save(model.state_dict(), "data/model.pth")print("Save PyToch Model State to model.pth")

Save PyToch Model State to model.pth