梯度下降算法的显性展示

学深度学习有3年了叭，一直都知道梯度下降算法的公式：

也是一直记着，用来理解和解释模型训练过程中遇到的现象，但是从来没有亲自扒开代码去看去佐证。然而，做科研的我们不是应该秉持科学精神去做实验室，去验证猜想嘛？抱着这个想法尝试去代码中寻找梯度下降算法

实验核心代码

---

optimizer = torch.optim.SGD(model.parameters(), lr=lr)

用的是SGD优化器，因为这个优化器不是自适应的，对所有参数用的都是全局学习率，不会自适应去改变每个参数的学习率，如果是Adam优化器去验证梯度下降算法会麻烦很多，得找到Adam优化器把每个参数调整后的学习率放在什么地方了

下面实验中的模型用的pytorch搭建的

获取参数数值的方式：

model_parameters = model.state_dict()

c1_w1 = model_parameters.get('conv1.w1.weight').view(1, -1).tolist()[0]

c1_w1_list.append(c1_w1)

获取参数梯度的方式：

for name, param in model.named_parameters():
    if name == 'conv1.w1.weight':
        c1_w1_grad_list.append(param.grad.view(1, -1).tolist()[0])

实验结果

---

c1_w1是conv1的w1参数即卷积层1的卷积参数的意思

可以看到卷积层1的第一个卷积参数数值为：-0.5770044326782227（第一行，最左边）

卷积层1的第一个卷积参数数值更新后为：-3.125734390366208e+16（第二行，最左边）

loss值反向传播后，该参数的梯度为：1.0419115121316987e+18

学习率我设的是lr=0.03

刚好满足:

-3.125734390366208e+16 = -0.5770044326782227-0.03*1.0419115121316987e+18

欣慰，第一次在代码里实打实的看到梯度下降过程

与正在学习神经学习的各位分享~