admin 管理员组

文章数量: 1086019

优化器：torch.optimizer

优化器：对参数进行调整，降低误差减小损失
torch.optimizer
parameters(模型参数)，lr(float)–>(学习速率)

代码：

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear, CrossEntropyLoss
from torch.utils.data import DataLoader# 加载数据集，转换成tensor类型
dataset = torchvision.datasets.CIFAR10(root="./dataset_ts",train=False, download=True,transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=1)# 创建网络
class Tui(nn.Module):def __init__(self):super(Tui, self).__init__()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.model1(x)return x#定义计算loss
loss = CrossEntropyLoss()tui = Tui()
# 设置优化器
optim = torch.optim.SGD(tui.parameters(), lr=0.01)for epoch in range(20):running_loss = 0.0for data in dataloader:imgs, targets = dataoutputs = tui(imgs)result_loss = loss(outputs, targets)#计算数据集经过神经网络后的输出和真实数据输出之间的误差optim.zero_grad()# 梯度清零————要把网络模型当中每一个 调节 参数梯度 调为0，参数清零result_loss.backward()# 反向传播求解梯度————调用存损失函数的反向传播，求出每个节点的梯度，optim.step()#   更新权重参数————调用优化器，对每个参数进行调优，循环running_loss = running_loss + result_loss#对整体损失的求和print(running_loss)

运行结果：

总得来说，这三个函数的作用是：

先将梯度值归零，：optimizer.zero_grad()；
然后反向传播计算得到每个参数的梯度值：loss.backward()；
最后通过梯度下降执行一步参数更新：optimizer.step()；
由于pytorch的动态计算图，当我们使用loss.backward()和opimizer.step()进行梯度下降更新参数的时候，梯度并不会自动清零。并且这两个操作是独立操作。

基于以上几点，正好说明了pytorch的一个特点是每一步都是独立功能的操作，因此也就有需要梯度清零的说法，如若不显示的进行optimizer.zero_grad()这一步操作，backward()的时候就会累加梯度，也就有了梯度累加这种trick。

参考：
小土堆-优化器

本文标签： 优化器torchoptimizer

版权声明：本文标题：优化器：torch.optimizer 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1686561410a10501.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。