P23-24：损失函数与反向传播+优化器（Pytorch小土堆学习笔记）

损失函数的作用：

1.计算实际输出与目标输出之间的差距

2.为我们更新数据输出提供一定依据（反向传播），grand

我们先简单了解两个损失函数：

L1Loss ：

 参数除了最后一个前面的都已经弃用了

这里有例子 ：

运行结果如下 

 如果reduction这个参数设置为‘sum’，则输出为2

MSELoss平方差

 

运行结果： 

CrossEntropyLoss交叉熵损失

 

 

1.1019=-0.2+ln(exp(0.1)+exp(0.2)+exp(0.3))

计算完之后就应该根据梯度通过优化器进行模型参数调整了，即实现机器学习的核心

下面是一个优化器的案例：（CIFAR10+vgg16+CrossEntropyLoss+SGD）

import torch
import torchvision
from torch import nn
from torch import optim
from torch.nn import Conv2d,MaxPool2d,Flatten,Linear,Sequential
from torch.utils.data import DataLoader

#导入数据
dataset2 = torchvision.datasets.CIFAR10("dataset2",transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset2,batch_size=1)

#搭建模型
class qiqi(nn.Module):
    def __init__(self):
        super(qiqi, 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

#引入交叉熵损失函数
loss = nn.CrossEntropyLoss()
#引入优化器
optim=torch.optim.SGD(qq.parameters(),lr=0.01)

qq=qiqi()

for epoch in range(20):     #最外面这一层是学习的次数
    running_loss=0.0
    for data in dataloader:      #针对dataloader里面一batch_size的数据学习一次
        imgs,targets=data        #如果dataloader里面只有一个数据，则针对这个数据计算参数
        outputs=qq(imgs)
        result_loss=loss(outputs,targets)   #计算输出和目标之间的差，计入result_loss
        optim.zero_grad()                   #优化器中每一个梯度的参数清零
        result_loss.backward()              #反向传播，求出每一个节点的梯度
        optim.step()                        #对每一个参数进行调优
        running_loss=running_loss+result_loss   #记录叠加的损失值
    print(running_loss)

在运行的时候可以看出每一个参数的在每一遍学习中变化