『PyTorch』第十一弹_torch.optim优化器 每层定制参数

一、简化前馈网络LeNet

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

import torch as t     class LeNet(t.nn.Module):     def __init__(self):         super(LeNet, self).__init__()         self.features = t.nn.Sequential(             t.nn.Conv2d(3, 6, 5),             t.nn.ReLU(),             t.nn.MaxPool2d(2, 2),             t.nn.Conv2d(6, 16, 5),             t.nn.ReLU(),             t.nn.MaxPool2d(2, 2)         )         # 由于调整shape并不是一个class层，         # 所以在涉及这种操作（非nn.Module操作）需要拆分为多个模型         self.classifiter = t.nn.Sequential(             t.nn.Linear(16*5*5, 120),             t.nn.ReLU(),             t.nn.Linear(120, 84),             t.nn.ReLU(),             t.nn.Linear(84, 10)         )       def forward(self, x):         x = self.features(x)         x = x.view(-1, 16*5*5)         x = self.classifiter(x)         return x   net = LeNet()

 

二、优化器基本使用方法

1. 建立优化器实例
2. 循环：
   1. 清空梯度
   2. 向前传播
   3. 计算Loss
   4. 反向传播
   5. 更新参数

1 2 3 4 5 6 7 8 9 10 11

from torch import optim   # 通常的step优化过程 optimizer = optim.SGD(params=net.parameters(), lr=1) optimizer.zero_grad()  # net.zero_grad()   input_ = t.autograd.Variable(t.randn(1, 3, 32, 32)) output = net(input_) output.backward(output)   optimizer.step()

 

三、网络模块参数定制

为不同的子网络参数不同的学习率，finetune常用，使分类器学习率参数更高，学习速度更快（理论上）。

1.经由构建网络时划分好的模组进行学习率设定，

1 2 3

# # 直接对不同的网络模块制定不同学习率 optimizer = optim.SGD([{'params': net.features.parameters()}, # 默认lr是1e-5                        {'params': net.classifiter.parameters(), 'lr': 1e-2}], lr=1e-5)

 

 2.以网络层对象为单位进行分组，并设定学习率

1 2 3 4 5 6 7 8 9 10

# # 以层为单位，为不同层指定不同的学习率 # ## 提取指定层对象 special_layers = t.nn.ModuleList([net.classifiter[0], net.classifiter[3]]) # ## 获取指定层参数id special_layers_params = list(map(id, special_layers.parameters())) print(special_layers_params) # ## 获取非指定层的参数id base_params = filter(lambda p: id(p) not in special_layers_params, net.parameters()) optimizer = t.optim.SGD([{'params': base_params},                          {'params': special_layers.parameters(), 'lr': 0.01}], lr=0.001)

 

四、在训练中动态的调整学习率

 

1 2 3 4 5 6 7 8 9

'''调整学习率''' # 新建optimizer或者修改optimizer.params_groups对应的学习率 # # 新建optimizer更简单也更推荐，optimizer十分轻量级，所以开销很小 # # 但是新的优化器会初始化动量等状态信息，这对于使用动量的优化器（momentum参数的sgd）可能会造成收敛中的震荡 # ## optimizer.param_groups:长度2的list，optimizer.param_groups[0]：长度6的字典 print(optimizer.param_groups[0]['lr']) old_lr = 0.1 optimizer = optim.SGD([{'params': net.features.parameters()},                        {'params': net.classifiter.parameters(), 'lr': old_lr*0.1}], lr=1e-5)

 可以看到optimizer.param_groups结构，[{'params','lr', 'momentum', 'dampening', 'weight_decay', 'nesterov'},{……}]，集合了优化器的各项参数。