深度学习（十四）——优化器
反向传播可以求出神经网路中每个需要调节参数的梯度，优化器可以根据梯度进行调整，达到降低整体误差的作用。本节我们对优化器进行介绍。
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
（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
（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
