PyTorch学习笔记（九）—— 不同的优化器

直接上代码，注释已经很清楚了。

# coding=gbk
import torch
import torch.utils.data as Data
import torch.nn.functional as F
import matplotlib.pyplot as plt

LR = 0.01
BATCH_SIZE = 32
EPOCH = 12

# 伪数据
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))

# 可视化数据
plt.scatter(x.numpy(), y.numpy())
plt.show()

# 将数据处理成torch可用的数据
torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2,)

# 默认的神经网络格式
class Net(torch.nn.Module):
    def __init__(self): #搭建层所需要的信息,定义层的关系。
        super(Net, self).__init__() #继承关系
        self.hidden = torch.nn.Linear(1, 20)   # 隐藏层
        self.predict = torch.nn.Linear(20, 1)   # 输出层

    def forward(self, x): #搭建网络结构
        x = F.relu(self.hidden(x))      # 隐藏层激活函数
        x = self.predict(x)             # 线性输出
        return x

if __name__ == '__main__':
    # 为不同的优化器搭建一个网络结构
    net_SGD         = Net()
    net_Momentum    = Net()
    net_RMSprop     = Net()
    net_Adam        = Net()
    nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

    # 不同的优化器
    opt_SGD         = torch.optim.SGD(net_SGD.parameters(), lr=LR)
    opt_Momentum    = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8)
    opt_RMSprop     = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9)
    opt_Adam        = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))
    optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam]

    loss_func = torch.nn.MSELoss() # 线性拟合问题用均方误差即可
    losses_his = [[], [], [], []]   # 记录误差，用于画图

    # 对每个优化器, 优化属于它的神经网络
    for epoch in range(EPOCH):
        print('Epoch: ', epoch)
        for step, (b_x, b_y) in enumerate(loader):          # 训练的每一步
            for net, opt, l_his in zip(nets, optimizers, losses_his):
                output = net(b_x)              # 依次给每个网络
                loss = loss_func(output, b_y)  # 计算每一个网络的损失值
                opt.zero_grad()                # 为下一次训练清楚梯度信息
                loss.backward()                # 反向传播，计算梯度
                opt.step()                     # 更新参数
                l_his.append(loss.data.numpy())     # 记录每次损失
    '''
    SGD 是最普通的优化器, 也可以说没有加速效果, 而 Momentum 是 SGD 的改良版, 
    它加入了动量原则. 后面的 RMSprop 又是 Momentum 的升级版. 而 Adam 又是 RMSprop 的升级版. 
    不过从这个结果中我们看到, Adam 的效果似乎比 RMSprop 要差一点. 所以说并不是越先进的优化器, 
    结果越佳. 我们在自己的试验中可以尝试不同的优化器, 找到那个最适合你数据/网络的优化器.
    '''
    labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
    for i, l_his in enumerate(losses_his):
        plt.plot(l_his, label=labels[i])
    plt.legend(loc='best')
    plt.xlabel('Steps')
    plt.ylabel('Loss')
    plt.ylim((0, 0.2))
    plt.show()

结果：

结果截图