在PyTorch中,优化器用于更新神经网络的参数,以最小化损失函数。PyTorch提供了多种优化器,常用的包括:
1. SGD(随机梯度下降)优化器:`torch.optim.SGD`。SGD是最基本的优化算法之一,它根据梯度的负方向更新参数。可以设置学习率、动量和权重衰减等参数。
2. Adam优化器:`torch.optim.Adam`。Adam是一种自适应学习率的优化算法,它结合了AdaGrad和RMSProp的优点。它可以自动调整学习率,并且在训练初期和后期都表现良好。
3. Adagrad优化器:`torch.optim.Adagrad`。Adagrad根据参数的历史梯度进行学习率调整,对于稀疏数据或具有不同尺度的特征适用。
4. RMSProp优化器:`torch.optim.RMSprop`。RMSProp也是一种自适应学习率的优化算法,它通过使用梯度平方的移动平均来调整学习率。
5. AdamW优化器:`torch.optim.AdamW`。AdamW是Adam优化器的一种变体,它在优化器更新步骤中引入了权重衰减(weight decay)的正则化项。
这只是一小部分常用的优化器,PyTorch还提供了其他优化器,如Adadelta、Adamax、SparseAdam等。选择哪种优化器取决于具体的任务和数据集,需要根据实际情况进行选择和调整参数。
使用优化器的一般流程如下:
1. 创建神经网络模型。
2. 创建优化器对象,将神经网络的参数传递给优化器。
3. 在每个训练迭代中,计算损失函数。
4. 调用优化器的`zero_grad()`方法,将梯度置零。
5. 调用损失函数的`backward()`方法,执行反向传播,计算梯度。
6. 调用优化器的`step()`方法,根据梯度更新神经网络的参数。
这样,通过迭代训练数据并更新参数,可以逐渐优化神经网络模型。
实例:
# 优化器
import torch
import torchvision
from torch import nn
from torch.nn import Sequential,Conv2d,MaxPool2d,Flatten,Linear
from torch.utils.data import DataLoader
data=torchvision.datasets.CIFAR10(root='../chap4_Dataset_transforms/dataset',train=False,transform=torchvision.transforms.ToTensor())
data_loader=DataLoader(dataset=data,batch_size=64)
class Sjnet(nn.Module):
def __init__(self):
super(Sjnet, self).__init__()
self.mode=Sequential(
Conv2d(3,32,5,padding=2),
MaxPool2d(2),
Conv2d(32, 32, 5, padding=2),
MaxPool2d(2),
Conv2d(32, 64, 5, padding=2),
MaxPool2d(2),
Flatten(),
Linear(1024,64),
Linear(64,10)
)
def forward(self,x):
x=self.mode(x)
return x
sjnet=Sjnet()
loss=nn.CrossEntropyLoss() #是PyTorch中的一个损失函数,用于多分类问题的交叉熵损失计算。它通常用于训练分类模型,其中模型的输出是一个概率分布,表示每个类别的概率。
#创建一个torch.optim.SGD优化器对象
optim=torch.optim.SGD(sjnet.parameters(),lr=0.01)#传递神经网络的参数sjnet.parameters()以及学习率lr=0.01。
for i in data_loader:
imgs,targets=i
outputs=sjnet(imgs)
#print(outputs) 输出的是该imgs,包括属于某种类型的概率
#print(targets) 实际类型标签
result=loss(outputs,targets)
optim.zero_grad() #将神经网络的梯度置零,以准备进行反向传播
result.backward() #执行反向传播,计算神经网络中各个参数的梯度
optim.step()#调用优化器的step()方法,根据计算得到的梯度更新神经网络的参数,完成一次参数更新
首先,创建了一个"Sjnet"神经网络的实例,并赋值给变量sjnet
。然后,创建了一个nn.CrossEntropyLoss()
对象,并赋值给变量loss
,用于计算交叉熵损失。接下来,创建了一个torch.optim.SGD
优化器对象,并传递了神经网络的参数sjnet.parameters()
以及学习率lr=0.01
。
在每次循环中,从data_loader
中获取一个批次的数据,其中imgs
是输入图像的张量,targets
是对应的目标类别标签。然后,将imgs
输入到神经网络sjnet
中,得到输出张量outputs
,表示神经网络对输入图像的预测结果。
接下来,将outputs
和targets
传递给损失函数loss
,计算出交叉熵损失值,并将结果赋值给变量result
。
然后,调用优化器的zero_grad()
方法,将神经网络的梯度置零,以准备进行反向传播。
接下来,调用result.backward()
方法,执行反向传播,计算神经网络中各个参数的梯度。
最后,调用优化器的step()
方法,根据计算得到的梯度更新神经网络的参数,完成一次参数更新。
这个循环会一直迭代数据加载器中的批次,直到所有的数据都被使用完为止。这样就完成了神经网络的训练过程,通过反向传播和参数更新,逐渐优化神经网络的参数,使其能够更好地预测目标类别。