torch.optim - PyTorch中文文档 (pytorch-cn.readthedocs.io)
torch.optim — PyTorch 2.3 documentation
反向传播可以求出神经网路中每个需要调节参数的梯度(grad)，优化器可以根据梯度进行调整，达到降低整体误差的作用。下面我们对优化器进行介绍。
构造优化器
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)- 选择优化器的算法
optim.SGD - 之后在优化器中放入模型参数
model.parameters()，这一步是必备的 还可在函数中设置一些参数，如学习速率
lr=0.01（这是每个优化器中几乎都会有的参数）
调用优化器中的step方法
step()方法就是利用我们之前获得的梯度，对神经网络中的参数进行更新。
for input, target in dataset:
optimizer.zero_grad()
output = model(input)
loss = loss_fn(output, target)
loss.backward()
optimizer.step()步骤
optimizer.zero_grad()是必选的。对每个参数的梯度进行清零我们的输入经过了模型，并得到了输出
output之后计算输出和target之间的误差
loss调用误差的反向传播
loss.backwrd，更新每个参数对应的梯度。调用
optimizer.step()对卷积核中的参数进行优化调整。之后继续进入
for循环，使用函数optimizer.zero_grad()对每个参数的梯度进行清零，防止上一轮循环中计算出来的梯度影响下一轮循环。
优化器的使用
优化器中算法共有的参数（其他参数因优化器的算法而异）：
params: 传入优化器模型中的参数
lr: learning rate，即学习速率
关于学习速率：
一般来说，学习速率设置得太大，模型运行起来会不稳定
学习速率设置得太小，模型训练起来会过慢
建议在最开始训练模型的时候，选择设置一个较大的学习速率；训练到后面的时候，再选择一个较小的学习速率
代码实战：
选择CIFAR10
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Linear, Sequential, Flatten
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
dataset = torchvision.datasets.CIFAR10(root='./dataset', 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.model = Sequential(
Conv2d(3, 32, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Conv2d(32, 32, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Conv2d(32, 64, kernel_size=5, padding=2),
MaxPool2d(kernel_size=2),
Flatten(),
Linear(64 * 4 * 4, 64),
Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
loss = nn.CrossEntropyLoss()
tudui = Tudui()
optim = torch.optim.SGD(tudui.parameters(), lr=0.01)
for epoch in range(20):
running_loss = 0.0
for data in dataloader:
imgs, targets = data
outputs = tudui(imgs)
# print(outputs)
# print(targets)
result_loss = loss(outputs, targets)
optim.zero_grad()
result_loss.backward()
optim.step()
# print(result_loss)
running_loss = running_loss + result_loss
print(running_loss)输出：
总结（使用优化器训练的训练套路）：
设置损失函数loss function
定义优化器optim
从使用循环dataloader中的数据：for data in dataloder
取出图片imgs，标签targets：imgs,targets=data
将图片放入神经网络，并得到一个输出：output=model(imgs)
计算误差：loss_result=loss(output,targets)
使用优化器，初始化参数的梯度为0：optim.zero_grad()
使用反向传播求出梯度：loss_result.backward()
根据梯度，对每一个参数进行更新：optim.step()
进入下一个循环，直到完成训练所需的循环次数
