优化模型参数，模型集成
前言
前三节我们掌握了模型和数据，这节我们将通过优化数据参数来训练，验证和测试模型。训练模型是一个迭代过程；每次迭代（称为epoch），模型对输出进行预测，计算其预测误差（loss），收集误差相对于其参数的导数，使用梯度下降优化参数
Prerequisite Code
首先从前两节中Datasets & DataLoaders和Build Model部分加载代码
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork()
上述代码不做过多叙述，详情请参考前两节学习笔记。部分输出结果如下；
超参数
超参数是可调节的参数，可以控制模型优化过程。不同的超参数值会影响模型训练和收敛速度
我们为训练定义了以下超参数；
1.Number of Epochs 迭代数据集次数
2.Batch Size 参数更新之前通过网络传播的数据样本数量
3.学习率 在更新模型参数时，较小的值会影响学习速度，较大的值会导致训练过程中出现不可预测的情况。
learning_rate = 1e-3
batch_size = 64
epochs = 5
优化循环
设置超参数后，我们可以使用优化循环来训练和优化模型。优化循环每次迭代称为epoch
每个epoch由两部分组成：
训练：迭代训练数据集并尝试收敛到最佳参数
验证/测试：迭代测试数据集以检查模型性能是否正在提高
损失函数
当使用训练数据时，未经训练的模型可能无法给出正确答案。通过损失函数衡量结果与目标值，目的是在训练过程得出最小化的损失函数。为了计算损失值，我们使用给定数据样本的输入进行预测，并将其与真实数据值进行比较。
常见的损失函数包括用于回归任务的nn.MSELoss(均方误差)和用于分类的nn.NLLLoss（负对数似然）。nn.CrossEntropyLoss结合nn.LogSoftmax和nn.NLLLoss
我们将模型的输出logits传递给nn.CrossEntropyLoss，标准化logits并计算预测误差
# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()
优化器
通过优化器在每个训练步骤中调整模型参数以减少模型误差。PyTorch将所有优化逻辑封装在optimizer中。在该模型中，我们使用SGD优化器。（ADAM和RMSProp适用于不同类型的模型和数据）
现在初始优化器；
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
Application
接下来我们定义train_loop来优化循环，并使用test_loop测试数据来评估模型的性能。
def train_loop(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
# Compute prediction and loss
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test_loop(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
将损失函数和优化器初始化后，将其传递给train_loop，和test_loop。按照自己的需求去增加epochs的数量以跟踪模型改进效果。
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
epochs = 10
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train_loop(train_dataloader, model, loss_fn, optimizer)
test_loop(test_dataloader, model, loss_fn)
print("Done!")
部分效果展示如下；
保存和加载模型
接下来将进行最后一步，保存，加载和运行模型
import torch
import torch.onnx as onnx
import torchvision.models as models
保存和加载模型权重
PyTorch模型将学习到的参数存储在state_dict。可以通过torch.save方法保存模型
model = models.vgg16(pretrained=True)
torch.save(model.state_dict(), 'model_weights.pth')
加载模型权重之前，需先创建相同模型的实例，使用load_state_dict() 方法加载参数
model = models.vgg16() # we do not specify pretrained=True, i.e. do not load default weights
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()
注意：在调用model.eval()要将dropout 批量归一化层设置为评估模式。
在加载模型权重时，需要实例化模型，可以将model传递给函数：
torch.save(model, 'model.pth') model = torch.load('model.pth')
将模型导出到ONNX
```python
input_image = torch.zeros((1,3,224,224))
onnx.export(model, input_image, 'model.onnx')
通过ONNX可以在不同平台和不同编程语言上运行该模型，详情使用方式请参考官方网站https://github.com/onnx/tutorials
推荐阅读
- 微分算子法
- 使用PyTorch构建神经网络模型进行手写识别
- 使用PyTorch构建神经网络模型以及反向传播计算
- 如何优化模型参数，集成模型
- TORCHVISION目标检测微调教程
