【pytorch】optimizer(优化器)的使用详解 |
您所在的位置:网站首页 › adam优化器使用代码 › 【pytorch】optimizer(优化器)的使用详解 |
目录
1 创建一个 Optimizer一个简单的例子:求目标函数的最小值Per-parameter 的优化器
2 Taking an optimization step 开始优化optimizer.step(closure)常见的几种优化器如何调整 lr?
优化器的保存和读取不同层不一样的优化参数
本文介绍 torch.optim 包常见的使用方法和使用技巧。 1 创建一个 Optimizer要构造一个Optimizer,你必须给它一个包含参数(所有参数都应该是 Variable s)的可迭代对象来优化。然后,您可以指定特定于优化器的选项,如学习率、权值衰减等。 from torch.autograd import Variable import torch.optim as optim # Variable 的创建 tensor = torch.FloatTensor([[1,2],[3,4]]) # build a tensor var1 = Variable(tensor, requires_grad=True) # build a variable, usually for compute gradients var2 = Variable(tensor+1, requires_grad=True) model = model() # 构造 Optimizer optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) optimizer = optim.Adam([var1, var2], lr=0.0001) # 还可以对 Variable 进行优化哦~ 一个简单的例子:求目标函数的最小值假设 x = 4 为起点,求 y = (x-5)^2 的最小值: from torch.autograd import Variable import torch.optim as optim # Variable 的创建 tensor = torch.FloatTensor([[4]]) # build a tensor x = Variable(tensor, requires_grad=True) # build a variable, usually for compute gradients optimizer = optim.Adam([x], lr=0.1) # 还可以对 Variable 进行优化哦~ for i in range(100): optimizer.zero_grad() y = (x - 5)*(x - 5) # 因为 x 的值不断在优化,所以 y 的定义式要放在这里 y.backward() optimizer.step() print(x) Per-parameter 的优化器有时候,我们会使用例如 pre-trained model 这样的模型,用其特征提取模块并连接自己设计的 classifier 层。这时候需要对不同的层使用不同的 lr,具体操作如下: 首先,模型的设计可以采用这样的结构,*layers是一个列表。 optim.SGD([ {'params': model.features.parameters()}, {'params': model.classifier.parameters(), 'lr': 1e-3} ], lr=1e-2, momentum=0.9) # model.features 的lr 是 1e-2, model.classifier 是 1e-3,momentum=0.9针对所有层都有效。 2 Taking an optimization step 开始优化所有优化器都实现一个step()方法,该方法更新参数。它有两种用法: optimizer.step()这是大多数优化器支持的简化版本。该函数可以在梯度计算完成后调用,例如使用 backward()。 for input, target in dataset: optimizer.zero_grad() # 这一步很重要 output = model(input) loss = loss_fn(output, target) loss.backward() optimizer.step() optimizer.step(closure)一些优化算法,如共轭梯度和LBFGS需要多次重新计算函数,所以您必须传入一个闭包,允许它们重新计算您的函数。闭包应该清除梯度,计算损失,并返回它。 常见的几种优化器具体参数设定请参阅:https://pytorch.org/docs/stable/optim.html#algorithms 如何调整 lr?torch.optim.lr_scheduler 提供几种方法,以调整学习速率的基础上的时间数。torch.optim.lr_scheduler.ReduceLROnPlateau允许根据评估指标,动态降低学习率(这里不做介绍)。 import torch.nn as nn from torch.utils.data import DataLoader,TensorDataset model = nn.Parameter(torch.randn(2, 1, requires_grad=True)) optimizer = optim.SGD([model], 0.1) scheduler = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.9) # 指数衰减,每一轮变为上一轮的 0.9 x = torch.randn(10,2) y = torch.randn(10,1) dataset = TensorDataset(x, y) dataset = DataLoader(dataset) for epoch in range(20): for input, target in dataset: optimizer.zero_grad() output = input * model loss = (output - target).sqrt().mean() loss.backward() optimizer.step() scheduler.step()验证 lr 降低的效果: 当然,也可以手动地在每一轮中设置 lr 并创建新的优化器。 来看另一种 lr 衰减的方法,使用2个lr衰减方法的叠加。 model = [Parameter(torch.randn(2, 2, requires_grad=True))] optimizer = SGD(model, 0.1) scheduler1 = ExponentialLR(optimizer, gamma=0.9) scheduler2 = MultiStepLR(optimizer, milestones=[30,80], gamma=0.1) for epoch in range(20): for input, target in dataset: optimizer.zero_grad() output = model(input) loss = loss_fn(output, target) loss.backward() optimizer.step() scheduler1.step() scheduler2.step() 优化器的保存和读取有时候训练到一半,需要建立 checkpoint ,随时保存模型和优化器状态,和模型的读取、保存一样,优化器的使用方法如下: para_dict = optimizer.state_dict() optimizer.load_state_dict(para_dict) 不同层不一样的优化参数参考:https://blog.csdn.net/ys1305/article/details/97959511 不同的学习率: optim.SGD([{'params': model.base.parameters()}, {'params': model.classifier.parameters(), 'lr': 1e-3}], lr=1e-2, momentum=0.9)不同的L2正则化: # 在pytorch中进行L2正则化,最直接的方式可以直接用优化器自带的weight_decay选项指定权值衰减率,相当于L2正则化中的λ optim.SGD([{'params': model.base.parameters(), 'weight_decay':1e-5}, {'params': model.classifier.parameters(), 'weight_decay':0}], lr=1e-2, momentum=0.9)参考: https://pytorch.org/docs/stable/optim.html |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |