PyTorch学习DAY5优化器

优化器

通过损失函数得出的loss值也就是模型输出和真实标签的差异后，loss经常会通过自动梯度求导求出每一个可学习参数的梯度，有了梯度，优化器就开始干活了！拿到梯度后进行一系列的优化策略去更新模型参数，并使得loss值下降。

总而言之优化器的作用是，采用梯度去更新模型的可学习参数，使得模型输出和真实标签的差异更小，即loss值下降。

pytorch的优化器

• 作用：管理并更新模型中可学习参数的值，使得模型输出更接近真实标签。
• 导数：函数在指定坐标轴上的变化率。
• 方向导数：指定方向上的变化率。
• 梯度：一个向量，方向为方向导数取得最大值的方向。

Optimizer类

基本属性

• defaults：优化器超参数。
• state：参数的缓存，如momentum的缓存。
• param_groups：管理的参数组（是个list）。
• _step_count：记录更新次数，学习率调整中使用。

基本方法

• zero_grad()：清空所管理参数的梯度。(由于pytorch特性：张量梯度不自动清零。)
• step()：执行一步更新。
• add_param_group()：添加参数组。
• 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。能配合state_dict()保存和加载模型，接着当前的状态往下训练。

---

学习率

梯度下降：

更新后：

学习率（learning rate）控制更新的步伐。

对于函数，学习率最佳为0.125，下图学习率为0.13666时效果最好，不能太大太小。

Momentum

动量冲量：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：

思想：距离当前时刻越远，它对当前时刻的平均值的影响就越小；距离当前时刻越近，它对当前时刻的平均值的影响就越大。

的作用为控制记忆周期，通常为0.9，多个值的影响如下：

 LR与Momentum的不同取值

---

optim.SGD

随机梯度下降法

主要参数：

• params：管理的参数组。
• lr：初始学习率。
• momentum：动量系数，β。
• weight_decay：L2正则化系数。
• nesterov：是否采用NAG。

十种优化器

• optim.SGD：随机梯度下降法。
• optim.Adagrad：自适应学习率梯度下降法。
• optim.RMSprop：Adagrad的改进。
• optim.Adadelta：Adagrad的改进。
• optim.Adam：RMSprop结合Momentum。
• optim.Adamax：Adam增加学习率上限。
• optim.SparseAdam：稀疏版的Adam。
• optim.ASGD：随机平均梯度下降。
• optim.Rprop：弹性反向传播。
• optim.LBFGS：BFGS的改进。

---

学习率调整

class_LRScheduler

主要属性：

• optimizer：关联的优化器。
• last_epoch：记录epoch数。
• base_lrs：记录初始学习率。

主要方法：

• step()：更新下一个epoch的学习率。
• get_lr()：虚函数，计算下一个epoch的学习率。

StepLR

功能：等间隔调整学习率

主要参数：

• step_size：调整间隔数。
• gamma：调整系数。

调整方式：

MultiStepLR

功能：按给定间隔调整学习率

主要参数：

• milestones：设定调整时刻数。
• gamma：调整系数。

调整方式：

ExponentialLR

功能：按指数衰减调整学习率。

主要参数：

• gamma：指数的底。

调整方式：

CosineAnnealingLR

功能：余弦周期调整学习率。

主要参数：

• T_max：下降周期。
• eta_min：学习率下限。

调整方式：

ReduceLRonPlateau

功能：监控指标，当指标不再变化则调整。

主要参数：

• mode：min/max 两种模式。
• factor：调整参数。
• patience：“耐心”，接受几次不变化。
• cooldown：“冷却时间”，停止监控一段时间。
• verbose：是否打印日志。
• min_lr：学习率下降。
• eps：学习率衰减最小值。

LambdaLR

功能：自定义调整策略，设置不同参数组，有不同的学习率调整策略。

主要参数：

• lr_lambda：function or list。

总结

• 有序调整

1. Step
2. MultiStep
3. Exponential
4. CosineAnnealing

• 自适应调整

1. ReduceLRonPlateau

• 自定义调整

1. Lambda

学习率初始化：

1. 设置较小数：0.01、0.001、0.0001
2. 搜索最大学习率：《Cyclical Learning Rates for Training Neutal Networks》