Pytorch实战-04 权值初始化与损失函数

Pytorch学习笔记-04 权值初始化与损失函数

权值初始化

Xavier初始化

方差一致性：保持数据尺度维持在恰当范围，通常方差为 1

10种初始化方法

1. Xavier 均匀分布
2. Xavier 正态分布
3. Kaiming 均匀分布
4. Kaiming 正态分布
5. 均匀分布
6. 正态分布
7. 常数分布
8. 正交矩阵初始化
9. 单位矩阵初始化
10. 稀疏矩阵初始化

损失函数

损失函数：衡量模型输出与真实标签的差异

nn.CrossEntropyLoss

功能：nn.LogSoftmax 与 nn.NLLLoss 结合 ，进行交叉熵计算
主要参数：

• weight ：各类别的 loss 设置权值
• ignore_index ：忽略某个类别
• reduction ：计算模式，可为 none/sum/mean
  • none逐个元素计算
  • sum所有元素求和，返回标量
  • mean加权平均，返回标量

nn.NLLLoss

功能：实现负对数似然函数中的 负号功能

主要参数：

• weight ：各类别的 loss 设置权值
• ignore_index ：忽略某个类别
• reduction ：计算模式，可为 none/sum/mean
  • none逐个元素计算
  • sum所有元素求和，返回标量
  • mean加权平均，返回标量

nn.BCELoss

功能：二分类交叉熵
注意事项：输入值取值在[0，1]

主要参数：

• weight ：各类别的 loss 设置权值
• ignore_index ：忽略某个类别
• reduction ：计算模式，可为 none/sum/mean

nn.BCEWithLogitsLoss

功能：结合Sigmoid 与 二分类交叉熵
注意事项：网络最后不加sigmoid 函数

主要参数：

• pos_weight ：正样本的权值
• weight ：各类别的 loss 设置权值
• ignore_index ：忽略某个类别
• reduction ：计算模式，可为 none/sum/mean

其他loss

• nn.L1Loss

  计算 inputs 与 target 之差的绝对值

• nn.MSELoss

  功能：计算 inputs 与 target 之差的平方

• nn.SmoothL1Loss

• nn.PoissonNLLLoss

  • 功能：泊松分布的负对数似然损失函数

• nn.KLDivLoss

  • 功能：计算KLD divergence KL 散度，相对熵
  • 注意事项：需提前将输入计算 log probabilities
    如通过nn.logsoftmax

• nn.MarginRankingLoss

  • 功能：计算两个向量之间的相似度 ，用于排序任务
  • 特别说明：该方法计算两组数据之间的差异，返回一个 n*n的 loss 矩阵

• nn.MultiLabelMarginLoss

  • 多标签分类函数

• nn.SoftMarginLoss

  • 功能：计算二分类的 logistic 损失

• nn.MultiLabelSoftMarginLoss

  • 功能：SoftMarginLoss 多标签版本

• nn.MultiMarginLoss

  • 功能：计算多分类的折页损失

• nn.TripletMarginLoss

  • 功能：计算三元组损失，人脸验证中常用

    

• nn.HingeEmbeddingLoss

  • 功能：计算两个输入的相似性，常用于非线性embedding 和半监督学习

• nn.CosineEmbeddingLoss

  • 功能：采用余弦相似度计算两个输入的相似性

• nn.CTCLoss

  • 计算 CTC 损失，解决时序类数据的分类 Connectionist Temporal Classification

优化器

pytorch的优化器： 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

e.g.

optimizer = optim.SGD(model.parameters(), lr = 0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr = 0.0001

基本属性：

• defaults ：优化器超参数
• state ：参数的缓存，如 momentum 的缓存
• params_groups ：管理的参数组
• 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
  • pytorch特性： 张量梯度不自动清零
• step()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

十种优化器

1. optim.SGD ：随机梯度下降法
2. optim.Adagrad ：自适应学习率梯度下降法
3. optim.RMSprop Adagrad 的改进
4. optim.Adadelta Adagrad 的改进
5. optim.Adam RMSprop 结合 Momentum
6. optim.Adamax Adam 增加学习率上限
7. optim.SparseAdam ：稀疏版的 Adam
8. optim.ASGD ：随机平均梯度下降
9. optim.Rprop ：弹性反向传播
10. optim.LBFGS BFGS 的改进

学习率调整策略

classLRScheduler

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

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

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

ExponentialLR

功能：按指数衰减调整学习率

主要参数：

• gamma ：指数的底

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

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 ：调整系数
• 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 ：学习率下限
• eps ：学习率衰减最小值

LambdaLR

功能：自定义调整策略
主要参数：

• lr_lambda： function or list

学习率调整小结

• 有序调整： Step 、 MultiStep 、 Exponential 和 CosineAnnealing
• 自适应调整： ReduceLROnPleateau
• 自定义调整： Lambda

学习率初始化

• 设置较小数： 0.01 、 0.001 、 0.0001
  r ：学习率下限
• eps ：学习率衰减最小值

LambdaLR

功能：自定义调整策略
主要参数：

• lr_lambda： function or list

学习率调整小结

• 有序调整： Step 、 MultiStep 、 Exponential 和 CosineAnnealing
• 自适应调整： ReduceLROnPleateau
• 自定义调整： Lambda

学习率初始化

• 设置较小数： 0.01 、 0.001 、 0.0001
• 搜索最大学习率： 《 Cyclical Learning Rates for Training Neural Networks 》