浅谈Pytorch torch.optim优化器个性化的使用
一、简化前馈网络LeNet
importtorchast classLeNet(t.nn.Module): def__init__(self): super(LeNet,self).__init__() self.features=t.nn.Sequential( t.nn.Conv2d(3,6,5), t.nn.ReLU(), t.nn.MaxPool2d(2,2), t.nn.Conv2d(6,16,5), t.nn.ReLU(), t.nn.MaxPool2d(2,2) ) #由于调整shape并不是一个class层, #所以在涉及这种操作(非nn.Module操作)需要拆分为多个模型 self.classifiter=t.nn.Sequential( t.nn.Linear(16*5*5,120), t.nn.ReLU(), t.nn.Linear(120,84), t.nn.ReLU(), t.nn.Linear(84,10) ) defforward(self,x): x=self.features(x) x=x.view(-1,16*5*5) x=self.classifiter(x) returnx net=LeNet()
二、优化器基本使用方法
建立优化器实例
循环:
清空梯度
向前传播
计算Loss
反向传播
更新参数
fromtorchimportoptim #通常的step优化过程 optimizer=optim.SGD(params=net.parameters(),lr=1) optimizer.zero_grad()#net.zero_grad() input_=t.autograd.Variable(t.randn(1,3,32,32)) output=net(input_) output.backward(output) optimizer.step()
三、网络模块参数定制
为不同的子网络参数不同的学习率,finetune常用,使分类器学习率参数更高,学习速度更快(理论上)。
1.经由构建网络时划分好的模组进行学习率设定,
##直接对不同的网络模块制定不同学习率 optimizer=optim.SGD([{'params':net.features.parameters()},#默认lr是1e-5 {'params':net.classifiter.parameters(),'lr':1e-2}],lr=1e-5)
2.以网络层对象为单位进行分组,并设定学习率
##以层为单位,为不同层指定不同的学习率 ###提取指定层对象 special_layers=t.nn.ModuleList([net.classifiter[0],net.classifiter[3]]) ###获取指定层参数id special_layers_params=list(map(id,special_layers.parameters())) print(special_layers_params) ###获取非指定层的参数id base_params=filter(lambdap:id(p)notinspecial_layers_params,net.parameters()) optimizer=t.optim.SGD([{'params':base_params}, {'params':special_layers.parameters(),'lr':0.01}],lr=0.001)
四、在训练中动态的调整学习率
'''调整学习率''' #新建optimizer或者修改optimizer.params_groups对应的学习率 ##新建optimizer更简单也更推荐,optimizer十分轻量级,所以开销很小 ##但是新的优化器会初始化动量等状态信息,这对于使用动量的优化器(momentum参数的sgd)可能会造成收敛中的震荡 ###optimizer.param_groups:长度2的list,optimizer.param_groups[0]:长度6的字典 print(optimizer.param_groups[0]['lr']) old_lr=0.1 optimizer=optim.SGD([{'params':net.features.parameters()}, {'params':net.classifiter.parameters(),'lr':old_lr*0.1}],lr=1e-5)
可以看到optimizer.param_groups结构,[{'params','lr','momentum','dampening','weight_decay','nesterov'},{……}],集合了优化器的各项参数。
torch.optim的灵活使用
重写sgd优化器
importtorch fromtorch.optim.optimizerimportOptimizer,required classSGD(Optimizer): def__init__(self,params,lr=required,momentum=0,dampening=0,weight_decay1=0,weight_decay2=0,nesterov=False): defaults=dict(lr=lr,momentum=momentum,dampening=dampening, weight_decay1=weight_decay1,weight_decay2=weight_decay2,nesterov=nesterov) ifnesterovand(momentum<=0ordampening!=0): raiseValueError("Nesterovmomentumrequiresamomentumandzerodampening") super(SGD,self).__init__(params,defaults) def__setstate__(self,state): super(SGD,self).__setstate__(state) forgroupinself.param_groups: group.setdefault('nesterov',False) defstep(self,closure=None): """Performsasingleoptimizationstep.Arguments:closure(callable,optional):Aclosurethatreevaluatesthemodelandreturnstheloss.""" loss=None ifclosureisnotNone: loss=closure() forgroupinself.param_groups: weight_decay1=group['weight_decay1'] weight_decay2=group['weight_decay2'] momentum=group['momentum'] dampening=group['dampening'] nesterov=group['nesterov'] forpingroup['params']: ifp.gradisNone: continue d_p=p.grad.data ifweight_decay1!=0: d_p.add_(weight_decay1,torch.sign(p.data)) ifweight_decay2!=0: d_p.add_(weight_decay2,p.data) ifmomentum!=0: param_state=self.state[p] if'momentum_buffer'notinparam_state: buf=param_state['momentum_buffer']=torch.zeros_like(p.data) buf.mul_(momentum).add_(d_p) else: buf=param_state['momentum_buffer'] buf.mul_(momentum).add_(1-dampening,d_p) ifnesterov: d_p=d_p.add(momentum,buf) else: d_p=buf p.data.add_(-group['lr'],d_p) returnloss
以上这篇浅谈Pytorchtorch.optim优化器个性化的使用就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。