最近用到需要用到Pytorch的变量、学习率调整等操作,特此做个小结记录:
如果需要在Module中定义多个变量,直接在init函数中定义可能对module并不可见,至少打印出来优化参数时是不存在的,这时可以使用pytorch nn.ParameterList将参数组合成Pytorch支持的数组,具体细节官网文档更清楚,如果 看中文,见下面的链接:
https://www.lizenghai.com/archives/7538.html
另外,定义变量时不要加.cuda(),就是是不能手动调用.cuda()方法将其加载在GPU上,事实上它会自动在GPU上加载,可以通过model.state_dict()或者model.named_parameters()函数查看现在的全部可训练参数(包括通过继承得到的父类中的参数)。相关细节可见下面这篇博客:
https://blog.csdn.net/qq_19672579/article/details/79195568
可以通过下面的方法给模型中的不同组的参数设置不同的学习率:
for name, value in model.named_parameters():
if "Parameter" in name:
kernel_para += [value]
elif "theta" in name:
theta_para += [value]
else:
conv_para += [value]
然后通过下面的方式使用:
optimizer = torch.optim.Adam(
[
{"params": kernel_para, 'lr': 0.01},
{"params": theta_para, 'lr': 0.1},
{"params": conv_para, 'lr': 0.001},
],
weight_decay = 1e-5,
)
最后通过下面的方式给每组参数设置不同的随迭代次数变化(衰减)的学习率:
def adjust_learning_rate(optimizer, epoch):
if epoch < 3:
iter_count = 0
for param_group in optimizer.param_groups:
if iter_count < 2:
param_group['lr'] = param_group['lr'] * 0.3
iter_count += 1
另外关于pytorch model.named_parameters() ,model.parameters() ,model.state_dict().items()可见下面的这篇博客:
https://blog.csdn.net/u013548568/article/details/84311099
最后,关于Pyotch训练过程中的“奇技淫巧”可参见知乎:
https://zhuanlan.zhihu.com/p/76459295