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
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
基本属性
• defaults:优化器超参数,比如学习率,动量等
• state:参数的缓存,如momentum的缓存
• params_groups:管理的参数组,是一个列表,列表的元素是一个字典,其中键为params的字典存储着可学习调整的参数。
• _step_count:记录更新次数,学习率调整中使用
class Optimizer(object):
def __init__(self, params, defaults):
self.defaults = defaults
self.state = defaultdict(dict)
self.param_groups = []
param_groups = [{'params': param_groups}]
基本方法
• zero_grad():清空所管理参数的梯度,这是因为pytorch特性:张量梯度不自动清零,所以要手动加上这条代码,在梯度反向传播之前。
class Optimizer(object):
def zero_grad(self):
for group in self.param_groups:
for p in group['params']:
if p.grad is not None:
p.grad.detach_()
p.grad.zero_()
•step():执行一步更新,就是更新可学习的参数,让输出更靠近真实值,方法有很多
• add_param_group():添加参数组,在模型finetune中会使用
class Optimizer(object):
def add_param_group(self, param_group):
for group in self.param_groups:
param_set.update(set(group['params’]))
self.param_groups.append(param_group)
• 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
这两个方法在模型的断点续训练时会使用,里面存储着模型的缓存信息以及可学习参数。state也是一个字典,键是params所在的内存地址。其实state是通过参数的内存地址来定位参数的。
只有执行了更新之后,state里面才会存储缓存信息,比如momentum_buffer,这是动量方法中会使用的缓存信息。
class Optimizer(object):
def state_dict(self):
return { 'state': packed_state, 'param_groups':
param_groups, }
def load_state_dict(self, state_dict):