优化器的使用————PyTorch

哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
的P24讲讲述了神经网络优化器的使用。

首先优化器的简单例子注释：

for input, target in dataset:
    optimizer.zero_grad()
    # 接最后一步，到第一步继续循环，需要把上一步的loss。backword求出来的每一个参数对应的梯度清零，以防上一步造成影响
    output = model(input)
    # 输入经过一个模型得到输出
    loss = loss_fn(output, target)
    # 输出和真实的target计算出loss，即误差
    loss.backward()
    # 调用误差的反向传播，得到每个要更新参数得到的梯度
    optimizer.step()
    # 每个参数根据得到的梯度进行优化，到这步后卷积核中的参数就会有一个调整

对上一讲的网络模型进行梯度优化，代码注释如下：

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter


dataset = torchvision.datasets.CIFAR10("data", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset, batch_size=1)


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        # self.conv1 = Conv2d(3, 32, 5, padding=2)        # 前三个参数见图片，图中是32*32变成32*32，padding的算法为图片
        # self.maxpool1 = MaxPool2d(2)
        # self.conv2 = Conv2d(3, 32, 5, padding=2)
        # self.maxpool2 = MaxPool2d(2)
        # self.conv3 = Conv2d(32, 64, 5, padding=2)
        # self.maxpool3 = MaxPool2d(2)
        # self.flatten = Flatten()
        # self.linear1 = Linear(1024, 64)
        # self.linear2 = Linear(64, 10)

        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        # x = self.conv1(x)
        # x = self.maxpool1(x)
        # x = self.conv2(x)
        # x = self.maxpool2(x)
        # x = self.conv3(x)
        # x = self.maxpool3(x)
        # x = self.flatten(x)
        # self.linear1(x)
        # self.linear2(x)
        x = self.model1(x)
        return x


loss = nn.CrossEntropyLoss()
tudui = Tudui()

optim = torch.optim.SGD(tudui.parameters(), lr=0.01)
# 设置优化器

# 再套一个循环，多次学习,循环20次
for epoch in range(20):
    running_loss = 0.0
    for data in dataloader:
        imgs, targets = data
        outputs = tudui(imgs)
        result_loss = loss(outputs, targets)
        # 计算出输出和真实网络的差距
        optim.zero_grad()
        # 梯度设置为0
        result_loss.backward()
        optim.step()
        running_loss = running_loss + result_loss
        # 求整体误差的总和

        print(running_loss)

结果为：

每次的结果都优化一下，共20次，代码中有具体注释，可以结合第23讲来看。