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 gradientsoptimizer = 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 * modelloss = (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)

参考：
https://pytorch.org/docs/stable/optim.html

【pytorch】optimizer（优化器）的使用详解相关推荐

【pytorch 优化器】ReduceLROnPlateau详解
说明 torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, verbos ...
pytorch 7 optimizer 优化器加速训练
pytorch 7 optimizer 优化器加速训练 import torch import torch.utils.data as Data import torch.nn.functional ...
PyTorch 实现批训练和 Optimizer 优化器
批训练 import torch import torch.utils.data as DataBATCH_SIZE = 5x = torch.linspace(1, 10, 10) # this i ...
Pytorch autograd.grad与autograd.backward详解
Pytorch autograd.grad与autograd.backward详解引言平时在写 Pytorch 训练脚本时,都是下面这种无脑按步骤走: outputs = model(inputs ...
[源码解析] PyTorch分布式优化器(1)----基石篇
[源码解析] PyTorch分布式优化器(1)----基石篇文章目录 [源码解析] PyTorch分布式优化器(1)----基石篇 0x00 摘要 0x01 从问题出发 1.1 示例 1.2 问题点 ...
PyTorch中的torch.nn.Parameter() 详解
PyTorch中的torch.nn.Parameter() 详解今天来聊一下PyTorch中的torch.nn.Parameter()这个函数,笔者第一次见的时候也是大概能理解函数的用途,但是具体实 ...
python数据集的预处理_关于Pytorch的MNIST数据集的预处理详解
关于Pytorch的MNIST数据集的预处理详解 MNIST的准确率达到99.7% 用于MNIST的卷积神经网络(CNN)的实现,具有各种技术,例如数据增强,丢失,伪随机化等. 操作系统:ubuntu ...
pytorch教程之nn.Module类详解——使用Module类来自定义网络层
前言:前面介绍了如何自定义一个模型--通过继承nn.Module类来实现,在__init__构造函数中申明各个层的定义,在forward中实现层之间的连接关系,实际上就是前向传播的过程. 事实上,在p ...
【PyTorch教程】PyTorch分布式并行模块DistributedDataParallel(DDP)详解
本期目录 DDP简介 1. 单卡训练回顾 2. 与DataParallel比较 1)DataParallel 2)DistributedDataParallel 3. 多卡DDP训练本章的重点是学习 ...
加速神经网络训练方法及不同Optimizer优化器性能比较
本篇博客主要介绍几种加速神经网络训练的方法. 我们知道,在训练样本非常多的情况下,如果一次性把所有的样本送入神经网络,每迭代一次更新网络参数,这样的效率是很低的.为什么?因为梯度下降法参数更新的公式一 ...

【pytorch】optimizer（优化器）的使用详解

目录