pytorch 使用 torch.optim.LBFGS() 优化神经网络

最新推荐文章于 2024-11-29 17:13:16 发布

阿尧长高高

最新推荐文章于 2024-11-29 17:13:16 发布

阅读量1.1w

点赞数 13

文章标签： 1024程序员节

本文链接：https://blog.csdn.net/awslyyds/article/details/127503167

版权

pytorch的优化器中，如果我们直接像调用其他优化器一样调用LBFGS，如下形式：

criterion = nn.MSELoss()
optimizer = torch.optim.LBFGS(params=densenet2.parameters(), lr=1e-5)
dataset = DataLoader(dataset = data_gen,
                     batch_size = 32,
                     shuffle=True)
epochs = 50
for epoch in tqdm(range(epochs)):
    for data in dataset:
        optimizer.zero_grad()
        input, output = data
        pred_output = densenet2(input)
        loss = criterion(pred_output, output)
        optimizer.step()

那么会得到这个报错：

TypeError: LBFGS.step() missing 1 required positional argument: 'closure'

因为这个优化器的调用语法和一般的不太一样，需要传递一个闭包参数，可以以如下形式写：

def closure():
    pred_output = densenet2(input)
    loss = criterion(pred_output, output)
    # print("batch loss: {:.9f}".format(loss.item()))
    loss.backward()
    return loss
optimizer.step(closure=closure)

然后就可以使用LBFGS进行优化啦。