PyTorch笔记7-optimizer
来源:互联网 发布:dota改键位软件 编辑:程序博客网 时间:2024/05/22 03:15
本系列笔记为莫烦PyTorch视频教程笔记 github源码
概要
Torch 提供了几种 optimizer,如:SGD, Momentum, RMSprop, Adam
SGD: stochastic gradient descent,随机梯度下降,每次迭代只训练一个样本,不能利用 CPU 或 GPU 并行计算 speed up,且每个样本都进行gradient descent,这无疑增加了样本中的概率,所以学习速度较慢, 但是要注意,在 PyTorch 中,SGD optimizer in PyTorch actually is Mini-batch Gradient Descent with momentum
Momentum: 学习速度快于标准的 gradient descent,基本思想是:计算 gradient 的 exponentially weighted average,并利用该 average 来 update weight
Momentum 可以这样理解:把要优化的 cost function 想象为一个碗状函数,梯度 dw, db 想象为给一个在碗表面的小球提供了初速度,而 Momentum(Vdw, Vdb)相当于提供了加速度。在 PyTorch 中,SGD optimizer 实际上封装 了 带 Momentum 的 SGD,通过出入设置 momentum > 0 这个参数即可实现 Momentum 算法。RMSporp: root mean square prop, 基本思想跟 Momentum 类似,只是具体的计算形式跟 Momentum 不同而已
Adam: Adam 可以理解为 Momentum + RMSprop, Adam 被证明能有效使用不同神经网络,适用广泛的结构
下面演示 Torch 中的各种 optimizer
import torchimport torch.utils.data as Dataimport torch.nn.functional as F # activation functionfrom torch.autograd import Variableimport matplotlib.pyplot as plttorch.manual_seed(1) # reproducible%matplotlib inline
伪数据
生成一些伪数据来演示各种 optimizer 的 performance
# fake datax = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1) # shape (1000, 1)# *x.size() --> 1000 1, x.size()-->torch.Size([1000, 1])y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))# plotplt.scatter(x.numpy(), y.numpy())plt.show()
# MINI BATCHMINIBATCH_SIZE = 32# first transform data to dataset that can be processed by torchtorch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)loader = Data.DataLoader( dataset=torch_dataset, batch_size=MINIBATCH_SIZE, shuffle=True, num_workers=2)
为每种 optimizer 构造一个NN
为了对比每种 optimizer,为它们各自创建一个神经网络,且该神经网络来自同一个 Net architecture
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) return x# build net for optimizernet_SGD, net_Momentum, net_RMSprop, net_Adam = Net(), Net(), Net(), Net()nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]
optimizer
接下来构建用不同的 optimizer,并创建一个 loss_func 用来计算 cost
# different optimizersLR = 0.01opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR)opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8)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]loss_func = torch.nn.MSELoss()losses_his = [[], [], [], []] # store loss
train & plot
接下来训练和出图
EPOCH = 12for epoch in range(EPOCH): for step, (batch_x, batch_y) in enumerate(loader): b_x, b_y = Variable(batch_x), Variable(batch_y) # only Variable can be train # train for net, opt, l_his in zip(nets, optimizers, losses_his): predict = net(b_x) # get output for every net loss = loss_func(predict, b_y) # compute loss for every net opt.zero_grad() # clear gradient for next train loss.backward() # compute gradient opt.step() # udpate paramters by gradient l_his.append(loss.data[0]) # store loss# plotlabels = ['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()
SGD 是最普通的优化器, 也可以说没有加速效果, 而 Momentum 是 SGD 的改良版, 它加入了动量原则. 后面的 RMSprop 又是 Momentum 的升级版. 而 Adam 又是 RMSprop 的升级版. 不过从这个结果中我们看到, Adam 的效果似乎比 RMSprop 要差一点. 所以说并不是越先进的优化器, 结果越佳. 我们在自己的试验中可以尝试不同的优化器, 找到那个最适合你数据/网络的优化器.
- PyTorch笔记7-optimizer
- PyTorch笔记1-PyTorch简介
- pytorch学习笔记(1)--pytorch张量
- pytorch 学习笔记(一)
- pytorch 学习笔记(一)
- pytorch 学习笔记(一)
- pytorch学习笔记
- pytorch 学习笔记(一)
- Pytorch学习笔记
- pytorch学习笔记
- PyTorch 学习笔记
- pytorch 初学笔记
- PyTorch笔记3-分类
- PyTorch笔记8-Dropout
- Pytorch学习笔记(一)
- Pytorch学习笔记(二)
- Pytorch学习笔记(三)
- Pytorch学习笔记(四)
- Linux内核与根文件系统的关系
- PAT (Basic Level) Practise (中文)1018. 锤子剪刀布 (20)
- LeetCode.451 Sort Characters By Frequency
- 关键字static总结
- PAT乙题1013. 数素数 (20)
- PyTorch笔记7-optimizer
- PAT乙题1016. 部分A+B (15)
- 英雄联盟2017赛季什么时候结束?
- centos7 安装jenkins
- (转)PLSQL Developer报“动态执行表不可访问,本会话的自动统计被禁止”的解决方案
- DirectX11笔记(三)--Direct3D初始化代码
- java 反射机制-学习笔记(5)
- PAT乙题1019. 数字黑洞 (20)
- macos 10.13安装python3