机器学习pytorch平台代码学习笔记（8）——优化器 Optimizer

理论知识学习：deeplearning.ai 吴恩达网上课程学习（十一）——优化算法理论讲解和代码实战

用Spyder中如果有枚举enumerate都要在代码开始的地方加

if __name__ == '__main__':

原因参考链接最后：https://blog.csdn.net/u010327061/article/details/80218836

以下包括以下几种模式:

Stochastic Gradient Descent (SGD) 比较基础
Momentum
RMSProp

Adam

1. 引入库

import torch
import torch.utils.data as Data
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt

2.初始化超参数

torch.manual_seed(1)    # reproducible
#超参数一般大写：
LR = 0.01
BATCH_SIZE = 32
EPOCH = 12

3.制造伪数据

# fake dataset 数据
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1) 
y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))

4.显示一下伪数据

plt.scatter(x.numpy(), y.numpy())
plt.show()

5. 先转换成 torch 能识别的 Dataset 把数据放入数据库  

# 使用上节内容提到的 data loader， loader使训练变成小批。 把 dataset 放入 DataLoader  
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2,)

6,每个优化器优化一个神经网络

为了对比每一种优化器, 我们给他们各自创建一个神经网络, 但这个神经网络都来自同一个 Net 形式.

# 默认的 network 形式
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(1, 20)   # hidden layer
        self.predict = torch.nn.Linear(20, 1)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        return x

# 为每个优化器创建一个 net
net_SGD         = Net()
net_Momentum    = Net()
net_RMSprop     = Net()
net_Adam        = Net()
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]#放在list里面，可以用个for循环遍历

7.优化器 Optimizer

接下来在创建不同的优化器, 用来训练不同的网络. 并创建一个 loss_func 用来计算误差. 我们用几种常见的优化器, SGD, Momentum, RMSprop, Adam.

# different optimizers，same learning rate
opt_SGD         = torch.optim.SGD(net_SGD.parameters(), lr=LR)
opt_Momentum    = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8) #比sgd多了一个momentum参数
opt_RMSprop     = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9)
opt_Adam        = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))
optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam]#放在list里面，可以用个for循环遍历
#回归误差
loss_func = torch.nn.MSELoss()
losses_his = [[], [], [], []]   # 记录 training 时不同神经网络的 loss

8.训练/出图：

for epoch in range(EPOCH):
    print('Epoch: ', epoch)
    for step, (batch_x, batch_y) in enumerate(loader):
        b_x = Variable(batch_x)  # 务必要用 Variable 包一下，之前传进来的是Tensor的形式，需要转一下
        b_y = Variable(batch_y)

        # 对每个优化器, 优化属于他的神经网络
        for net, opt, l_his in zip(nets, optimizers, losses_his):#三个都是list形式zip打包处理
            output = net(b_x)              # get output for every net
            loss = loss_func(output, b_y)  # compute loss for every net
            opt.zero_grad()                # clear gradients for next train
            loss.backward()                # backpropagation, compute gradients
            opt.step()                     # apply gradients
            l_his.append(loss.data[0])     # loss recoder

9.打印：

   
    labels = ['SGD','Momentum','RMSprop','Adam']
    for i, l_his in enumerate(losses_his):
        plt.plot(l_his,label=labels[i])
    plt.legend(loc='best')
    plt.xlabel('Steps')
    plt.ylabel('Loss')
    plt.ylim(0,0.2)
    plt.show()

10.结果

参考链接：

https://morvanzhou.github.io/tutorials/machine-learning/torch/3-06-optimizer/