pytorch 学习之 优化器

优化器

管理并更新模型中的可学习参数的值，使得模型输出更接近真实标签。

初始化函数

class Optimizer(object):
    def __init__(self, params, defaults):
        # 优化器超参数，是一个dict{超参数：值}
        self.defaults = defaults
        # 参数的缓存，如momentum的缓存
        self.state = defaultdict(dict)
        # 管理的参数组，每个参数组用字典存储
        self.param_groups = []
        param_groups = [{'params':para_groups}]

基本方法：

zero_grad()			# 清空所管理参数的梯度
step()				# 执行一步更新
add_param_group()	# 添加参数组，不同参数，可以设置不同学习率
state_dict()		# 获取优化器当前状态信息字典
load_state_dict() 	# 加载状态信息字典

Tips：

1. 优化器通过地址管理参数，节省内存消耗

学习率（learning rate）

学习率过大会梯度爆炸，过小收敛慢

动量（momentum）

结合当前梯度与上一次更新信息，用于当前更新。

指数加权平均：

$y={\sum }_i^N(1-\beta )\ast {\beta }^i\ast {\theta }_{N-i}$

前面的值对当前值的影响，$\beta$ 为影响权重（记忆周期 ），记忆过往数值个数 $\frac{1}{1-\beta }$，$N$ 为所有值的个数 。