简介
pytorch优化器:管理并更新模型中可学习参数的值,是的模型输出更接近真实标签。
导数:
函数在指定座标轴上的变化率
方向导数:
指定方向上的变化率
梯度:
一个向量,方向为方向导数取得最大值的方向
pytorch中的optimizer
基本属性:
- default:优化器超参数
- state:参数的缓存,如momentum的缓存
- param_groups:管理的参数组
- _step_count:记录更新次数,学习率调整中使用
基本方法
- zero_grad():清空所管理参数的梯度
pytorch特性:张量梯度不会自动清零 需要在使用完梯度之后需要清零
- step():实行一步参数更新
- add_param_group():添加参数组
- state_dict():获取优化器当前状态信息字典
- load_state_dict():加载状态信息字典
后两个方法,用于模型断点状态训练
optimizer=optim.SGD(net.parameters(),lr=LR,momentum=0,9) #选择优化器
scheduler=torch.optim.lr_scheduler.StepLR(optimizer,step_size=10,gamma=0.1) #设施学习率下降策略
保存优化器信息
torch.save(optimizer.state_dict(),os.path.join(BASE_DIR,"optimizer_state_dict.pkl"))
##lode sate_dict
state=torch.load(os.path.join(BASE_DR,"optimizer_state_dict.pkl"))
optimizer.load_sate_dict(state)
学习率
梯度下降:
可以看出,如果没有学习率,损失值并不会收敛,很容易梯度爆炸
修正之后的公式:
学习率(learning rate)控更新的步伐
动量(Momentum)
Momentum(动量、冲量):结合当前梯度与上一次更新信息,用于当前更新
个人看法:可以看到这个式子认为,100这个点对应的更新量是和之前的所有点的值有关,只不过里100这个点越近的点,权值越大,有点类似于自控原理里面的主导极点
动量值通常取0.9
常用的优化器
1.optim.SGD
2.推荐使用SGD和Adam