optimizer.zero_grad()意义

大多数的代码都来自https://morvanzhou.github.io/tutorials/machine-learning/torch

只是自己入门pytorch随便记得东西，然后随手扔上来（markdown都不用了，懒懒懒

tensor：

import torch

data = [[1,2], [3,4]]

tensor = torch.FloatTensor(data)

各种操作和numpy.array类似

Variable：

from torch.autograd import Variable

变量，里面的主要元素就是tensor（type(Variable.data) == A_KIND_OF_TENSORS），但是一个variable是会记住自己是被哪些Variable计算出来的（variable = Variable(tensor, requires_grad=True)），所以当我们计算出最后一个Variable：loss时，就可以通过loss.backward()，来对梯度进行反向传播。

然后loss.grad就是其对应的梯度，loss计算图中的各个Variable中的grad成员也会自动变成其对应的参数，记得每次计算新的grad时，要把原来的梯度清0。（optimizer.zero_grad()可以自动完成这个操作，把所有Variable的grad成员数值变为0，然后optimizer.step()则在每个Variable的grad都被计算出来后，更新每个Variable的数值）

激励函数：

import torch.nn.functional as F

F里面存着各种激励函数，进去一个Variable，出来一个Variable，最常用的当然就是F.relu(A_VARIABLE)

optimizer:

optimizer = torch.optim.SGD(net.parameters(), lr=0.5)

qusetion：net.parameters()是哪里来的，作用是什么？

optimizer.zero_grad()可以把所有Variable的grad成员数值变为0

optimizer.step()则可以用所有Variable的grad成员和lr的数值自动更新Variable的数值。

给Variable打上粗体是因为之中Variable会被optimizer的相关函数更新，如果你把东西放在list或其它东西里，它们的梯度是不会被更新的！

loss function：

loss_func = torch.nn.MSELoss()

建立一个神经网络：

class Net(torch.nn.Module): # 继承 torch 的 Module

def __init__(self, n_feature, n_hidden, n_output):

super(Net, self).__init__() # 继承 __init__ 功能

# 定义每层用什么样的形式

self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出

self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出

def forward(self, x): # 这同时也是 Module 中的 forward 功能

# 正向传播输入值, 神经网络分析出输出值

x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)

x = self.predict(x) # 输出值

return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net) # net 的结构"""

Net (

(hidden): Linear (1 -> 10)

(predict): Linear (10 -> 1)

)

"""

训练一个网络：

# optimizer 是训练的工具optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 传入 net 的所有参数, 学习率loss_func = torch.nn.MSELoss() # 预测值和真实值的误差计算公式 (均方差)

for t in range(100):

prediction = net(x) # 喂给 net 训练数据 x, 输出预测值

loss = loss_func(prediction, y) # 计算两者的误差

optimizer.zero_grad() # 清空上一步的残余更新参数值

loss.backward() # 误差反向传播, 计算参数更新值

optimizer.step() # 将参数更新值施加到 net 的 parameters 上

快速搭建网络：

之前写的搭建方法适用于你可以对网络进行各种各样的自定义

接下来的方法，如果不需要什么复杂的过程的话，只需要按下面的过程来构建就好了。

net2 = torch.nn.Sequential(

torch.nn.Linear(1, 10),

torch.nn.ReLU(),

torch.nn.Linear(10, 1)

)

保存网络：

torch.save(net1, 'net.pkl') # 保存整个网络

torch.save(net1.state_dict(), 'net_params.pkl') # 只保存网络中的参数 (速度快, 占内存少)

提取网络：

提取整个神经网络, 网络大的时候可能会比较慢.

def restore_net():

# restore entire net1 to net2

net2 = torch.load('net.pkl')

prediction = net2(x)

只提取网络参数

def restore_params():

# 新建 net3

net3 = torch.nn.Sequential(

torch.nn.Linear(1, 10),

torch.nn.ReLU(),

torch.nn.Linear(10, 1)

)

# 将保存的参数复制到 net3

net3.load_state_dict(torch.load('net_params.pkl'))

prediction = net3(x)

批处理：

# 把 dataset 放入 DataLoaderloader = Data.DataLoader(

dataset=torch_dataset, # torch TensorDataset format

batch_size=BATCH_SIZE, # mini batch size

shuffle=True, # 要不要打乱数据 (打乱比较好)

num_workers=2, # 多线程来读数据)

for epoch in range(3): # 训练所有!整套!数据 3 次

for step, (batch_x, batch_y) in enumerate(loader): # 每一步 loader 释放一小批数据用来学习

# 假设这里就是你训练的地方...

# 打出来一些数据

print('Epoch: ', epoch, '| Step: ', step, '| batch x: ',

batch_x.numpy(), '| batch y: ', batch_y.numpy())

"""

Epoch: 0 | Step: 0 | batch x: [ 6. 7. 2. 3. 1.] | batch y: [ 5. 4. 9. 8. 10.]

Epoch: 0 | Step: 1 | batch x: [ 9. 10. 4. 8. 5.] | batch y: [ 2. 1. 7. 3. 6.]

Epoch: 1 | Step: 0 | batch x: [ 3. 4. 2. 9. 10.] | batch y: [ 8. 7. 9. 2. 1.]

Epoch: 1 | Step: 1 | batch x: [ 1. 7. 8. 5. 6.] | batch y: [ 10. 4. 3. 6. 5.]

Epoch: 2 | Step: 0 | batch x: [ 3. 9. 2. 6. 7.] | batch y: [ 8. 2. 9. 5. 4.]

Epoch: 2 | Step: 1 | batch x: [ 10. 4. 8. 1. 5.] | batch y: [ 1. 7. 3. 10. 6.]

"""

https://blog.csdn.net/dpppBR/article/details/78659338

optimizer.zero_grad()意义相关推荐

Pytorch中的optimizer.zero_grad和loss和net.backward和optimizer.step的理解
引言一般训练神经网络,总是逃不开optimizer.zero_grad之后是loss(后面有的时候还会写forward,看你网络怎么写了)之后是是net.backward之后是optimizer.s ...
损失函数与优化器理解+【PyTorch】在反向传播前为什么要手动将梯度清零？optimizer.zero_grad()
目录回答一: 回答二: 回答三: 传统的训练函数,一个batch是这么训练的: 使用梯度累加是这么写的: 回答一: 一句话,用来更新和计算影响模型训练和模型输出的网络参数,使其逼近或达到最优值,从而 ...
pytorch之model.zero_grad() 与 optimizer.zero_grad()
转自 https://cloud.tencent.com/developer/article/1710864 1. 引言在PyTorch中,对模型参数的梯度置0时通常使用两种方式:model.zer ...
python grad_PyTorch中model.zero_grad()和optimizer.zero_grad()用法
废话不多说,直接上代码吧~ model.zero_grad() optimizer.zero_grad() 首先,这两种方式都是把模型中参数的梯度设为0 当optimizer = optim.Opti ...
理解optimizer.zero_grad(), loss.backward(), optimizer.step()的作用及原理
在用pytorch训练模型时,通常会在遍历epochs的过程中依次用到optimizer.zero_grad(),loss.backward()和optimizer.step()三个函数,如下所示: ...
optimizer.zero_grad(), loss.backward(), optimizer.step()的理解及使用
optimizer.zero_grad,loss.backward,optimizer.step 用法介绍 optimizer.zero_grad(): loss.backward(): optimi ...
梯度值与参数更新optimizer.zero_grad(),loss.backward、和optimizer.step()、lr_scheduler.step原理解析
在用pytorch训练模型时,通常会在遍历epochs的过程中依次用到optimizer.zero_grad(),loss.backward.和optimizer.step().lr_schedule ...
pytorch优化器: optim.SGD optimizer.zero_grad()
在神经网络优化器中,主要为了优化我们的神经网络,使神经网络在我们的训练过程中快起来,节省时间.在pytorch中提供了 torch.optim方法优化我们的神经网络,torch.optim 是 ...
optimizer.zero_grad()和loss.backward()
1.optimizer.zero_grad()和loss.backward()先后问题刚开始学习深度学习,就是不明白,为什么第一次运行的时候就要optimizer.zero_grad()(梯度清零) ...

optimizer.zero_grad()意义

optimizer.zero_grad()意义相关推荐

最新文章

热门文章