pytorch中优化器总结

逃离我推掉我的手 2021-12-14 22:45 293阅读 0赞

以SGD优化器为例：

# -*- coding: utf-8 -*-
    #@Time    :2019/7/3 22:31
    #@Author  :XiaoMa
    
    from torch import nn as nn
    import torch as t
    from torch.autograd import Variable as V
    #定义一个LeNet网络
    class Net(nn.Module):
        def __init__(self):
            super(Net,self).__init__()
            self.features=nn.Sequential(
                nn.Conv2d(3,6,5),
                nn.ReLU(),
                nn.MaxPool2d(2,2),
                nn.Conv2d(6,16,5),
                nn.ReLU(),
                nn.MaxPool2d(2,3)
            )
            
            self.classifier=nn.Sequential(\
                nn.Linear(16*5*5,120),
                nn.ReLU(),
                nn.Linear(120,84),
                nn.ReLU(),
                nn.Linear(84,10)
                )
        def forward(self, x):
            x=self.features(x)
            x=x.view(-1,16*5*5)
            x=self.classifier(x)
            return x
    net=Net()
    
    from torch import optim #优化器
    optimizer=optim.SGD(params=net.parameters(),lr=1)
    optimizer.zero_grad()   #梯度清零，相当于net.zero_grad()
    
    input=V(t.randn(1,3,32,32))
    output=net(input)
    output.backward(output)     #fake backward
    optimizer.step()    #执行优化
    
    #为不同子网络设置不同的学习率，在finetune中经常用到
    #如果对某个参数不指定学习率，就使用默认学习率
    optimizer=optim.SGD(
        [{'param':net.features.parameters()},    #学习率为1e-5
        {'param':net.classifier.parameters(),'lr':1e-2}],lr=1e-5
    )
    
    #只为两个全连接层设置较大的学习率，其余层的学习率较小
    special_layers=nn.ModuleList([net.classifier[0],net.classifier[3]])
    special_layers_params=list(map(id,special_layers.parameters()))
    base_params=filter(lambda p:id(p) not in special_layers_params,net.parameters())
    
    optimizer=t.optim.SGD([
        {'param':base_params},
        {'param':special_layers.parameters(),'lr':0.01}
    ],lr=0.001)

调整学习率主要有两种做法。一种是修改optimizer.param\_groups中对应的学习率，另一种是新建优化器（更简单也是更推荐的做法），由于optimizer十分轻量级，构建开销很小，故可以构建新的optimizer。但是新建优化器会重新初始化动量等状态信息，这对使用动量的优化器来说（如自带的momentum的sgd），可能会造成损失函数在收敛过程中出现震荡。

如：

#调整学习率，新建一个optimizer
    old_lr=0.1
    optimizer=optim.SGD([
                    {'param':net.features.parameters()},
                    {'param':net.classifiers.parameters(),'lr':old_lr*0.5}],lr=1e-5)