pytorch学习笔记 (visdom可视化、正则化、动量、学习率衰减、BN)

AAI机器之心

已于 2024-05-05 11:37:32 修改

阅读量819

点赞数 29

文章标签： pytorch 学习笔记 llama 人工智能目标跟踪深度学习

于 2024-03-15 07:15:00 首次发布

本文链接：https://blog.csdn.net/AAI666666/article/details/136710255

版权

一、visdom可视化工具

安装： pip install visdom

启动： 命令行直接运行visdom

打开WEB： 在浏览器使用http://localhost:8097打开visdom界面

二、使用visdom

# 导入Visdom类
from visdom import Visdom
# 定义一个env叫Mnist的board，如果不指定，则默认归于main
viz = Visdom(env='Mnist')

# 在window Accuracy中画train acc和test acc,x坐标都是epoch
viz.line(Y=np.column_stack((acc, test_acc)),
         X=np.column_stack((epoch, epoch)),
         win='Accuracy',
         update='append',
         opts=dict(markers=False, legend=['Acc', 'Test Acc']))
# 在window Loss中画train loss和test loss,x坐标都是epoch
viz.line(Y=np.column_stack((loss.cpu().item(), test_loss.cpu().item())),
         X=np.column_stack((epoch, epoch)),
         win='Loss',
         update='append',
         opts=dict(markers=False, legend=['Loss', 'Test Loss']))

三、使用正则化

正则化也叫权重衰减（Weight Decay）

L1和L2正则化可以参考：https://blog.csdn.net/red_stone1/article/details/80755144

在代码中，我们只需要在优化器中使用weight_decay参数就可以启用L2正则化

# 选择一个优化器，指定需要优化的参数，学习率，以及正则化参数
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, weight_decay=0.01)

由于在Pytorch中没有纳入L1正则化，我们可以通过手工实现：

# 正则化超参数lambda
lambd = 0.01
# 所有参数的绝对值的和
regularization_loss = 0

for param in model.parameters():
　　regularization_loss += torch.sum(torch.abs(param))

# 自己手动在loss函数后添加L1正则项 lambda * sum(abs)
loss = F.cross_entropy(z, target) + lambd * regularization_loss
optimizer.zero_grad()
loss.backward()

四、使用Momentum动量

使用Momentum,即在使用SGD时指定momentum参数，如果不指定，默认为0，即不开启动量优化模式。

# 选择一个优化器，指定需要优化的参数，学习率，以及正则化参数,是否使用momentum
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, momentum=0.9, weight_decay=0.01)

使用Adam时，由于Adam包含了Monmentum，所以他自己指定了Momentum参数的大小，无需我们指定。

五、学习率衰减 Learning rate decay

当学习率太小时，梯度下降很慢。当学习率太大时，可以在某个狭窄区间震荡，难以收敛。

学习率衰减就是为了解决学习率多大这种情况。

当我们在训练一个模型时，发现Loss在某个时间不发生变化（在一个平坦区），则我们要考虑是否是在一个狭窄区间震荡，导致的难以收敛。

我们在pytorch中可以使用ReducelROnPlateau(optimizer,‘min’)来监控loss的值：

from torch.optim.lr_scheduler import ReduceLROnPlateau

# 选择一个优化器，指定需要优化的参数，学习率，以及正则化参数,是否使用momentum
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, momentum=0.9, weight_decay=0.01)

# 使用一个高原监控器，将optimizer交给他管理,LR衰减参数默认0.1即一次缩小10倍，patience是监控10次loss看是否变化
scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10)

# 后面的optimizer.step()使用scheduler.step(loss)来代替，每次step都会监控一下loss
# 当loss在10次（可以设置）都未变化，则会使LR衰减一定的比例

另外，除了上述使用ReducelROnPlateau，还可以使用更为粗暴的StepLR函数，我们可以直接指定在多少step后下降一次LR的值：

from torch.optim.lr_scheduler import StepLR

# 选择一个优化器，指定需要优化的参数，学习率，以及正则化参数,是否使用momentum
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, momentum=0.9, weight_decay=0.01)

# 使用StepLR,指定step_size即每多少步衰减一次，gamma为衰减率，0.1代表除以10
scheduler = StepLR(optimizer, step_size = 10000, gamma=0.1)

# 后面的optimizer.step()使用scheduler.step()

六、在全连接层使用batchnorm

# -*- coding:utf-8 -*-
__author__ = 'Leo.Z'

import torch
from visdom import Visdom
import numpy as np

import torch.nn.functional as F
from torch.nn import Module, Sequential, Linear, LeakyReLU, BatchNorm1d
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

batch_size = 200
learning_rate = 0.001
epochs = 100

train_data = datasets.MNIST('../data', train=True, download=True,
                            transform=transforms.Compose([
                                transforms.ToTensor(),
                                transforms.Normalize((0.1307,), (0.3081,))
                            ]))

test_data = datasets.MNIST('../data', train=False,
                           transform=transforms.Compose([
                               transforms.ToTensor(),
                               transforms.Normalize((0.1307,), (0.3081,))
                           ]))

train_db, val_db = torch.utils.data.random_split(train_data, [50000, 10000])

train_loader = DataLoader(train_db,
                          batch_size=100, shuffle=True)
val_loader = DataLoader(val_db,
                        batch_size=10000, shuffle=True)
test_loader = DataLoader(test_data,
                         batch_size=10000, shuffle=True)


# 网络结构
class MLP(Module):
    def __init__(self):
        super(MLP, self).__init__()

        self.model = Sequential(
            Linear(784, 200),
            #===================== BN-start ======================
            # 这里对第一层全连接层使用BN1d,在多个样本上对每一个神经元做归一化
            BatchNorm1d(200, eps=1e-8),
            # ===================== BN-end =======================
            LeakyReLU(inplace=True),
            Linear(200, 200),
            #===================== BN-start ======================
            # 这里对第二层全连接层使用BN1d,在多个样本上对每一个神经元做归一化
            BatchNorm1d(200, eps=1e-8),
            # ===================== BN-end =======================
            LeakyReLU(inplace=True),
            Linear(200, 10),
            LeakyReLU(inplace=True)
        )

    def forward(self, x):
        x = self.model(x)
        return x


# 定义一个env叫Mnist的board，如果不指定，则默认归于main
viz = Visdom(env='TestBN')

# 定义GPU设备
device = torch.device('cuda')
# model放到GPU
net = MLP().to(device)

# 选择一个优化器，指定需要优化的参数，学习率，以及正则化参数,是否使用momentum
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate, momentum=0.9, weight_decay=0.01)

for idx, (val_data, val_target) in enumerate(val_loader):
    val_data = val_data.view(-1, 28 * 28)
    val_data, val_target = val_data.to(device), val_target.to(device)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        # data转换维度为[200,784],target的维度为[200]
        data = data.view(-1, 28 * 28)
        # 将data和target放到GPU
        data, target = data.to(device), target.to(device)
        # data为输入，net()直接执行forward
        # 跑一次网络，得到z,维度为[200,10],200是batch_size,10是类别
        # 由于net在GPU，data也在GPU，计算出的z就在GPU
        # 调用net(data)的时候相当于调用Module类的__call__方法
        z = net(data).to(device)

        # 将loss放到GPU
        loss = F.cross_entropy(z, target).to(device)
        # 每次迭代前将梯度置0
        optimizer.zero_grad()
        # 反向传播，计算梯度
        loss.backward()
        # 相当于执行w = w - dw，也就是更新权值
        optimizer.step()

    ### 每一轮epoch，以下代码是使用分割出的val dataset来做测试
    # 先计算在train dataset上的准确率
    eq_mat = torch.eq(z.argmax(dim=1), target)
    acc = torch.sum(eq_mat).float().item() / eq_mat.size()[0]
    print('Loss:', loss)
    print('Accuracy:', acc)

    # 用val跑一遍网络，并计算在val dataset上的准确率
    # ===================== BN-start =====================
    # 跑网络之前，先将BN层设置为validation模式
    # BN层会自动使用在训练时累计的running_mean和running_var
    net.eval()
    #net.model[1].eval()
    #net.model[4].eval()
    # ===================== BN-end =======================

    val_z = net(val_data).to(device)
    val_loss = F.cross_entropy(val_z, val_target).to(device)
    val_eq_mat = torch.eq(val_z.argmax(dim=1), val_target)
    val_acc = torch.sum(val_eq_mat).float().item() / val_eq_mat.size()[0]
    print('Val Loss:', val_loss)
    print('Val Accuracy:', val_acc)

    # 将loss和acc画到visdom中
    viz.line(Y=np.column_stack((acc, val_acc)),
             X=np.column_stack((epoch, epoch)),
             win='Accuracy',
             update='append',
             opts=dict(markers=False, legend=['Acc', 'Val Acc']))
    # 将val loss和val acc画到visdom中
    viz.line(Y=np.column_stack((loss.cpu().item(), val_loss.cpu().item())),
             X=np.column_stack((epoch, epoch)),
             win='Loss',
             update='append',
             opts=dict(markers=False, legend=['Loss', 'Val Loss']))

使用BN时的ACC和LOSS：

未使用BN时的ACC和LOSS：

从上述结果可以看出，使用BN后，收敛速度变快。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述