pytorch（六）：優化器

 

import torch
import torch.utils.data as Data
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt


# 構造假數據
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))


# 根據假數據繪圖
plt.scatter(x.numpy(), y.numpy())
plt.show()


# 確定超參數
LR = 0.01
BATCH_SIZE = 32
EPOCH = 12


# 把tensor轉換爲torch能識別的數據集
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)


# 把數據放進數據裝載機裏
loader = Data.DataLoader(
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    num_workers=2,
)


# 傳統法搭建神經網絡
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
        y = self.predict(x)             # linear output
        return y


# # 快速法搭建神經網絡
# Net = torch.nn.Sequential(
#     torch.nn.Linear(1, 20),
#     torch.nn.ReLU(),
#     torch.nn.Linear(20, 1),
# )


# 四個神經網絡，它們將要使用不同的優化器
net_SGD = Net()  # 採用快速法搭建神經網絡時，net_SGD = Net()改成net_SGD = Net
net_Momentum = Net()  # 採用快速法搭建神經網絡時，同上
net_RMSprop = Net()  # 採用快速法搭建神經網絡時，同上
net_Adam = Net()  # 採用快速法搭建神經網絡時，同上
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]


# 四個神經網絡將分別使用不同的優化器
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]


# 訓練神經網絡
loss_func = torch.nn.MSELoss()
losses_his = [[], [], [], []]  # 記錄loss
for epoch in range(EPOCH):
    print('Epoch:', epoch)
    for step, (batch_x, batch_y) in enumerate(loader):
        b_x = Variable(batch_x)
        b_y = Variable(batch_y)
        for net, opt, l_his in zip(nets, optimizers, losses_his):
            prediction = net(b_x)
            loss = loss_func(prediction, b_y)
            opt.zero_grad()
            loss.backward()
            opt.step()
            # 數據形式: loss: Variable, loss.data: tensor, loss.data[0]: float
            l_his.append(loss.data[0])  # type(l_his):list
            
# 繪製訓練效果圖
labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
for i, l_his in enumerate(losses_his):
    # x軸座標是默認的列表索引座標
    plt.plot(l_his, label=labels[i])  # plt.legend(loc='best')與參數label有關
plt.legend(loc='best')  # 顯示圖例，位置參數爲best,表示圖例一般使用默認形式，放在左上角
plt.xlabel('Steps')
plt.ylabel('Loss')
plt.ylim(0, 0.2)  # y軸的數值範圍是[0, 0.2]
plt.show()

假數據構造的數據點集：

採用傳統法構造神經網絡時的運行截圖：

採用快速法搭建神經網絡時的運行截圖：

注意：採用快速法搭建神經網絡時

# 四個神經網絡，它們將要使用不同的優化器
net_SGD = Net()
net_Momentum = Net()
net_RMSprop = Net()
net_Adam = Net()
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

上面代碼改成：

# 四個神經網絡，它們將要使用不同的優化器
net_SGD = Net
net_Momentum = Net
net_RMSprop = Net
net_Adam = Net
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

總結：

傳統法搭建神經網絡時，用RMSprop和Adam優化器訓練神經網絡效果較好

快速法搭建神經網絡時，上述四個優化器的訓練效果差不多，比傳統法好。