Pytorch官方文档学习笔记 —— 5. Optimization
目录
0. 优化模型参数
1. 先决条件代码
2. 超参数
3. 优化循环
4. 损失函数
5. 优化器
6. 完整实现
0. 优化模型参数
在之前的内容已经介绍了模型的建立和自动微分的有关内容了，现在可以利用数据通过优化参数来训练模型了。训练模型是一个迭代过程；在每次迭代（称为epoch）中，模型对输出进行猜测，计算猜测和实际标签的误差，收集误差关于其参数的导数，并使用梯度下降优化这些参数。
1. 先决条件代码
我们从前面的 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),
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork()2. 超参数
您可以通过调整超参数来控制模型优化过程。不同的超参数值会影响模型训练和收敛速度。（这里可以阅读更多有关超参数调整的信息）
在这里我们为训练定义了以下超参数：
- epoch的数值：迭代数据集的次数。
- 批量大小(Batch Size)：每次参数更新前通过网络传播的数据样本数。
- 学习率：在每个批次/epoch更新模型参数的比例。较小的值会产生较慢的学习速度，而较大的值可能会导致训练期间出现不可预测的行为。
learning_rate = 1e-3
batch_size = 64
epochs = 53. 优化循环
我们设置超参数后，就可以使用优化循环来训练和优化我们的模型。优化循环的每次迭代称为一个epoch。
每一个epoch包括两个主要部分：
- 训练循环：迭代训练数据集并尝试收敛到最优参数。
- 验证/测试循环：迭代测试数据集以检查模型性能是否正在提高。
这里我们简要熟悉一下训练循环中使用的一些概念。完整实现请查看第五部分。
4. 损失函数
损失函数是衡量得到的结果与目标值的相异程度，我们的训练过程就是要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。
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 结合了 nn.LogSoftmax 和 nn.NLLLoss。
我们将模型的输出 logits 传递给 nn.CrossEntropyLoss，它将对 logits 进行归一化并计算预测误差。
# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()5. 优化器
优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了如何执行这个过程（在本例中，我们使用随机梯度下降）。
所有优化逻辑都封装在 optimizer 对象中。在这里，我们使用 SGD 优化器；此外，PyTorch 中有许多不同的优化器可用，例如 ADAM 和 RMSProp，它们可以更好地用于不同类型的模型和数据。
我们通过登记需要训练的模型参数来初始化优化器，并传入学习率超参数。
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)在训练循环中，优化分三个步骤进行：
- 调用 optimizer.zero_grad() 来重置模型参数的梯度。默认情况下渐变加起来；为了防止重复计算，我们在每次迭代时明确地将它们归零。
- 通过调用 loss.backward() 对预测损失进行反向传播。PyTorch将与损失有关的每个参数的梯度储存起来。
- 一旦我们有了梯度，我们调用 optimizer.step() 来通过反向传播中收集的梯度来调整参数。
6. 完整实现
我们定义了循环优化代码的 train_loop，以及针对测试数据评估模型性能的 test_loop。
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")我们初始化损失函数和优化器，并将其传递给 train_loop 和 test_loop。随意增加 epoch 的数量来跟踪模型的改进性能。
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!")