pytorch中网络loss传播和参数更新理解

相比于2018年，在ICLR2019提交论文中，提及不同框架的论文数量发生了极大变化，网友发现，提及tensorflow的论文数量从2018年的228篇略微提升到了266篇，keras从42提升到56，但是pytorch的数量从87篇提升到了252篇。

TensorFlow: 228--->266

Keras: 42--->56

Pytorch: 87--->252

在使用pytorch中，自己有一些思考，如下：

1. loss计算和反向传播

import torch.nn as nn

criterion = nn.MSELoss().cuda()

output = model(input)

loss = criterion(output, target)
loss.backward()
通过定义损失函数：criterion，然后通过计算网络真实输出和真实标签之间的误差，得到网络的损失值：loss；

最后通过loss.backward()完成误差的反向传播，通过pytorch的内在机制完成自动求导得到每个参数的梯度。

需要注意，在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化或最大化，一般是通过梯度进行网络模型的参数更新，通过loss的计算和误差反向传播，我们得到网络中，每个参数的梯度值，后面我们再通过优化算法进行网络参数优化更新。

2. 网络参数更新

在更新网络参数时，我们需要选择一种调整模型参数更新的策略，即优化算法。

优化算法中，简单的有一阶优化算法：

其中就是通常说的学习率，是函数的梯度；

自己的理解是，对于复杂的优化算法，基本原理也是这样的，不过计算更加复杂。

在pytorch中，torch.optim是一个实现各种优化算法的包，可以直接通过这个包进行调用。

optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
注意：1）在前面部分1中，已经通过loss的反向传播得到了每个参数的梯度，然后再本部分通过定义优化器（优化算法），确定了网络更新的方式，在上述代码中，我们将模型的需要更新的参数传入优化器。

2）注意优化器，即optimizer中，传入的模型更新的参数，对于网络中有多个模型的网络，我们可以选择需要更新的网络参数进行输入即可，上述代码，只会更新model中的模型参数。对于需要更新多个模型的参数的情况，可以参考以下代码：

optimizer = torch.optim.Adam([{'params': model.parameters()}, {'params': gru.parameters()}], lr=0.01)
3) 在优化前需要先将梯度归零，即optimizer.zeros()。

3. loss计算和参数更新

import torch.nn as nn
import torch

criterion = nn.MSELoss().cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

output = model(input)

loss = criterion(output, target)

optimizer.zero_grad() # 将所有参数的梯度都置零
loss.backward() # 误差反向传播计算参数梯度
optimizer.step() # 通过梯度做一步参数更新

————————————————
版权声明：本文为CSDN博主「少年木」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yangzhengzheng95/article/details/85268896

pytorch中网络loss传播和参数更新理解相关推荐

pytorch 中维度（Dimension）概念的理解
pytorch 中维度(Dimension)概念的理解 Dimension为0(即维度为0时) 维度为0时,即tensor(张量)为标量.例如:神经网络中损失函数的值即为标量. 接下来我们创建一个di ...
Pytorch中dilation（Conv2d）参数详解
目录一.Conv2d 二.Conv2d中的dilation参数一.Conv2d 首先我们看一下Pytorch中的Conv2d的对应函数(Tensor通道排列顺序是:[batch, channel, ...
对于pytorch中nn.CrossEntropyLoss()与nn.BCELoss()的理解和使用
在pytorch中nn.CrossEntropyLoss()为交叉熵损失函数,用于解决多分类问题,也可用于解决二分类问题. BCELoss是Binary CrossEntropyLoss的缩写,nn. ...
pytorch 中网络参数 weight bias 初始化方法
权重初始化对于训练神经网络至关重要,好的初始化权重可以有效的避免梯度消失等问题的发生. 在pytorch的使用过程中有几种权重初始化的方法供大家参考. 注意:第一种方法不推荐.尽量使用后两种方法. # ...
Pytorch中KL loss
1. 概念 KL散度可以用来衡量两个概率分布之间的相似性,两个概率分布越相近,KL散度越小. 上述公式表示P为真实事件的概率分布,Q为理论拟合出来的该事件的概率分布.D(P||Q)(P拟合Q)和D(Q ...
pytorch中的nn.LSTM模块参数详解
直接去官网查看相关信息挺好的,但是为什么有的时候进不去官网:https://pytorch.org/docs/stable/nn.html#torch.nn.LSTM 使用示例,在使用中解释参数单 ...
图解 Pytorch 中 nn.Conv2d 的 groups 参数
文章目录普通卷积复习 Groups是如何改变卷积方式的实验验证参考资料普通卷积复习首先我们先来简单复习一下普通的卷积行为. 从上图可以看到,输入特征图为3,经过4个filter卷积后生成了4 ...
PyTorch中网络里面的inplace=True字段的意思
在例如nn.LeakyReLU(inplace=True)中的inplace字段是什么意思呢?有什么用? inplace=True的意思是进行原地操作,例如x=x+5,对x就是一个原地操作,y=x+5 ...
pytorch中tensor.mean(axis, keepdim)参数理解小实验
虽然没试过其他形式的多维数据,不过想来应该是一样的吧 -- 1.结论 keepdim=True 运算完之后的维度和原来一样,原来是三维数组现在还是三维数组(不过某一维度变成了1): keepdim=F ...

pytorch中网络loss传播和参数更新理解

pytorch中网络loss传播和参数更新理解相关推荐

最新文章

热门文章