使用步骤:建立一个优化器,对参数的每一个梯度清零,调用损失函数的反向传播(backward)求出每一个参数的梯度,最后对每一个参数进行调优。
以随机最速下降法 (SGD)为例:
参数params用来指明网络中需要优化的参数,lr为学习速率。
准备数据集:
dataset = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=1)
创建网络:
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, padding=2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(1024, 64),
nn.Linear(64, 10),
)
def forward(self, x):
x = self.model(x)
return x
创建对象、数据处理:
loss = nn.CrossEntropyLoss()
model = Model()
optim = torch.optim.SGD(model.parameters(), lr=0.01)#创建优化器
for data in dataloader:
imgs, targets = data
outputs = model(imgs)
result_loss = loss(outputs, targets)
optim.zero_grad()#对梯度清零
result_loss.backward()#优化器需要每一个参数的一个梯度,在此求梯度
optim.step()#调用优化器对每一个参数进行调优
通过debug,运行清零之后查看神经网络的权重为0:
向下一步后,查看,计算出了每个参数对应的梯度:
再运行下一步就可以对数据进行更新。每一次的优化都很小,在实际中,需要对数据集进行成百上千次的训练,这里以20次为例:
for epoch in range(20):
sum = 0
for data in dataloader:
imgs, targets = data
outputs = model(imgs)
result_loss = loss(outputs, targets)
optim.zero_grad()
result_loss.backward()
optim.step()
sum = sum+result_loss
print(sum)
根据打印的loss结果可以知道,loss逐渐减小。