mirror of
https://github.com/apachecn/ailearning.git
synced 2026-02-12 14:55:51 +08:00
109 lines
4.2 KiB
Markdown
109 lines
4.2 KiB
Markdown
# 3.6 – 优化器 (Optimizer)
|
||
|
||
这节内容主要是用 Torch 实践几种优化器, 这几种优化器具体的优势不会在这个节内容中说了, 所以想快速了解的话, 上面的那个动画链接是很好的去处.
|
||
|
||
下图就是这节内容对比各种优化器的效果:
|
||
|
||
|
||
|
||
## 伪数据
|
||
|
||
为了对比各种优化器的效果, 我们需要有一些数据, 今天我们还是自己编一些伪数据, 这批数据是这样的:
|
||
|
||
|
||
|
||
```py
|
||
import torch
|
||
import torch.utils.data as Data
|
||
import torch.nn.functional as F
|
||
from torch.autograd import Variable
|
||
import matplotlib.pyplot as plt
|
||
|
||
torch.manual_seed(1) # reproducible
|
||
|
||
LR = 0.01
|
||
BATCH_SIZE = 32
|
||
EPOCH = 12
|
||
|
||
# fake dataset
|
||
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
|
||
y = x.pow(2) 0.1*torch.normal(torch.zeros(*x.size()))
|
||
|
||
# plot dataset
|
||
plt.scatter(x.numpy(), y.numpy())
|
||
plt.show()
|
||
|
||
# 使用上节内容提到的 data loader
|
||
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)
|
||
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2,)
|
||
```
|
||
|
||
## 每个优化器优化一个神经网络
|
||
|
||
为了对比每一种优化器, 我们给他们各自创建一个神经网络, 但这个神经网络都来自同一个 Net 形式.
|
||
|
||
```py
|
||
# 默认的 network 形式
|
||
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) # linear output
|
||
return x
|
||
|
||
# 为每个优化器创建一个 net
|
||
net_SGD = Net()
|
||
net_Momentum = Net()
|
||
net_RMSprop = Net()
|
||
net_Adam = Net()
|
||
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]
|
||
```
|
||
|
||
## 优化器 Optimizer
|
||
|
||
接下来在创建不同的优化器, 用来训练不同的网络. 并创建一个 loss_func 用来计算误差. 我们用几种常见的优化器, SGD , Momentum , RMSprop , Adam .
|
||
|
||
```py
|
||
# different optimizers
|
||
opt_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 = [[], [], [], []] # 记录 training 时不同神经网络的 loss
|
||
```
|
||
|
||
## 训练/出图
|
||
|
||
接下来训练和 loss 画图.
|
||
|
||
```py
|
||
for epoch in range(EPOCH):
|
||
print(\\'Epoch: \\', epoch)
|
||
for step, (batch_x, batch_y) in enumerate(loader):
|
||
b_x = Variable(batch_x) # 务必要用 Variable 包一下
|
||
b_y = Variable(batch_y)
|
||
|
||
# 对每个优化器, 优化属于他的神经网络
|
||
for net, opt, l_his in zip(nets, optimizers, losses_his):
|
||
output = net(b_x) # get output for every net
|
||
loss = loss_func(output, b_y) # compute loss for every net
|
||
opt.zero_grad() # clear gradients for next train
|
||
loss.backward() # backpropagation, compute gradients
|
||
opt.step() # apply gradients
|
||
l_his.append(loss.data[0]) # loss recoder
|
||
```
|
||
|
||
|
||
|
||
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.
|
||
|
||
所以这也就是在我 [github 代码](https://github.com/MorvanZhou/PyTorch-Tutorial/blob/master/tutorial-contents/306_optimizer.py) 中的每一步的意义啦.
|
||
|
||
文章来源：[莫烦](https://morvanzhou.github.io/) |