深度学习中的优化器有哪些特点？

反向传播可以求出神经网路中每个需要调节参数的梯度(grad)，优化器可以根据梯度进行调整，达到降低整体误差的作用。下面我们对优化器进行介绍。 1. 如何使用优化器 官方文档:torch.optim — PyTorch 2.0 documentation （1）构造优化器 举个栗子: optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) optimizer = optim.Adam([var1, var2], lr=0.0001) 首先选择优化器的算法optim.SGD 之后在优化器中放入模型参数model.parameters()，这一步是必备的 还可在函数中设置一些参数，如学习速率lr=0.01（这是每个优化器中几乎都会有的参数） （2）调用优化器中的step方法 step()方法就是利用我们之前获得的梯度，对神经网络中的参数进行更新。 举个栗子： for input, target in dataset: optimizer.zero_grad() output = model(input) loss = loss_fn(output, target) loss.backward() optimizer.step() 步骤optimizer.zero_grad()是必选的 我们的输入经过了模型，并得到了输出output 之后计算输出和target之间的误差loss 调用误差的反向传播loss.backwrd，更新每个参数对应的梯度。 调用optimizer.step()对卷积核中的参数进行优化调整。 之后继续进入for循环，使用函数optimizer.zero_grad()对每个参数的梯度进行清零，防止上一轮循环中计算出来的梯度影响下一轮循环。 2. 优化器的使用 优化器中算法共有的参数（其他参数因优化器的算法而异）： params: 传入优化器模型中的参数 lr: learning rate，即学习速率 关于学习速率： 一般来说，学习速率设置得太大，模型运行起来会不稳定 学习速率设置得太小，模型训练起来会过慢 建议在最开始训练模型的时候，选择设置一个较大的学习速率；训练到后面的时候，再选择一个较小的学习速率 代码栗子： import torch.optim import torchvision from torch import nn from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential from torch.utils.data import DataLoader dataset=torchvision.datasets.CIFAR10("./dataset",train=False,download=True,transform=torchvision.transforms.ToTensor()) dataloder=DataLoader(dataset,batch_size=1) class Demo(nn.Module): def __init__(self): super(Demo,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 demo=Demo() loss=nn.CrossEntropyLoss() #设置优化器 #选择随机梯度下降 optim=torch.optim.SGD(demo.parameters(),lr=0.01) #一般来说，学习速率设置得太大，模型运行起来会不稳定；设置得太小，模型训练起来会比较慢 #对数据进行20次循环 for epoch in range(20): running_loss=0.0 #初始化loss #该循环只对数据进行了一次训练 for data in dataloder: imgs,targets=data output=demo(imgs) result_loss=loss(output,targets) #----------------优化器训练过程--------------------- optim.zero_grad() #各个参数对应的梯度设置为0 result_loss.backward() #反向传播，得到每个节点对应的梯度 optim.step() #根据每个参数的梯度，对参数进行调优 running_loss=running_loss+result_loss #累加该轮循环的loss，计算该轮循环整体误差的总和 print(running_loss) #输出该轮循环整体误差的总和 [Run] tensor(18713.4336, grad_fn=) tensor(16178.3564, grad_fn=) tensor(15432.6172, grad_fn=) tensor(16043.1025, grad_fn=) tensor(18018.3359, grad_fn=) ...... 总结（使用优化器训练的训练套路）： 设置损失函数loss function 定义优化器optim 从使用循环dataloader中的数据：for data in dataloder 取出图片imgs，标签targets：imgs,targets=data 将图片放入神经网络，并得到一个输出：output=model(imgs) 计算误差：loss_result=loss(output,targets) 使用优化器，初始化参数的梯度为0：optim.zero_grad() 使用反向传播求出梯度：loss_result.backward() 根据梯度，对每一个参数进行更新：optim.step() 进入下一个循环，直到完成训练所需的循环次数 3. 如何调整学习速率 再复制粘贴一次： 一般来说，学习速率设置得太大，模型运行起来会不稳定 学习速率设置得太小，模型训练起来会过慢 建议在最开始训练模型的时候，选择设置一个较大的学习速率；训练到后面的时候，再选择一个较小的学习速率 pytorch中提供了一些方法，可以动态地调整学习速率 官方文档：StepLR — PyTorch 2.0 documentation （1）StepLR参数简介 参数介绍： optimizer: 放入模型所使用的优化器名称 step_size(int): 训练的时候，每多少步进行一个更新 gamma(float): 默认为0.1。在循环中，每次训练的时候，新的学习速率=原来学习速率×gamma 不同的优化器中有很多不同的参数，但是这些参数都是跟几个特定的算法相关的，这些需要使用的时候再去了解。 如果只是单纯地使用优化器，那么只需设置optimizer和学习速率，就可以满足绝大部分的训练需求。 （2）StepLR代码栗子 import torch.optim import torchvision from torch import nn from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential from torch.utils.data import DataLoader dataset=torchvision.datasets.CIFAR10("./dataset",train=False,download=True,transform=torchvision.transforms.ToTensor()) dataloder=DataLoader(dataset,batch_size=1) class Demo(nn.Module): def __init__(self): super(Demo,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 demo=Demo() loss=nn.CrossEntropyLoss() #设置优化器 #选择随机梯度下降 optim=torch.optim.SGD(demo.parameters(),lr=0.01) #一般来说，学习速率设置得太大，模型运行起来会不稳定；设置得太小，模型训练起来会比较慢 #加入学习速率更新 scheduler = torch.optim.lr_scheduler.StepLR(optim, step_size=5, gamma=0.1) #对数据进行20次循环 for epoch in range(20): running_loss=0.0 #初始化loss #该循环只对数据进行了一次训练 for data in dataloder: imgs,targets=data output=demo(imgs) result_loss=loss(output,targets) #----------------优化器训练过程--------------------- optim.zero_grad() #各个参数对应的梯度设置为0；如果不写这行代码，那么每次循环中都会对这个梯度进行累加 result_loss.backward() #反向传播，得到每个节点对应的梯度 #optim.step() #根据每个参数的梯度，对参数进行调优 scheduler.step() #对每个参数的学习速率进行调整；通过scheduler可以在每次循环中对学习速率进行下降 running_loss=running_loss+result_loss #累加该轮循环的loss，计算该轮循环整体误差的总和 print(running_loss) #输出该轮循环整体误差的总和