Pytorch学习日记6：Optimizing Model Parameters

最新推荐文章于 2024-12-26 16:38:32 发布

南风知我意95

最新推荐文章于 2024-12-26 16:38:32 发布

阅读量147

点赞数 1

分类专栏： Pytorch学习日记文章标签： pytorch 深度学习 python 人工智能

本文链接：https://blog.youkuaiyun.com/m0_54088522/article/details/134253406

版权

Pytorch学习日记专栏收录该内容

7 篇文章

订阅专栏

本文讲述了深度学习中模型参数训练、优化过程，涉及数据预处理、模型构建、超参数选择和随机梯度下降等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

主要内容：

准备好模型和数据后，需要通过训练来优化模型的参数。训练模型是一个迭代的过程，在每个迭代过程中（称为epoch），模型输出预测的结果，计算其预测的误差（损失loss），反向传播得到误差相对于其参数的导数，并使用梯度下降优化这些参数。本文讲解如何优化模型参数。

一.准备好数据和模型

这一部分是在前面的学习日记中已经详细阐述过，在这里不多说，直接上代码。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

# 加载数据,可详见学习日记2
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

# dataloader的使用，可详见学习日记2
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)


#搭建神经网络，可详见学习日记4
class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

二.超参数

超参数就是可以调整的参数，从而控制优化过程。不同超参数会影响模型的训练和收敛率。主要介绍如下的超参数。

number of epochs：epoch数，即在数据集上迭代的次数。

batch size：批量大小，即在更新参数之前，通过网络传播的数据样本的数量。

learning rate：学习率，在每个批次更新模型参数的程度。较小的值产生缓慢的学习速度，而较大的值可能会导致训练期间的不可预测的行为。

# 超参数
learning_rate = 1e-3    # 学习率
batch_size = 64         # 批量大小
epochs = 5              # epoch数

三.优化Loop

每个epoch有两部分组成：train_loop和test_loop

train_loop:在训练数据集上进行迭代，试图收敛到最佳参数。

test_loop:在测试数据集上进行迭代，检查模型性能是否得到提高。

为了让大家有更清晰的认识，我们首先来看看代码，只需看大框架即可，不需要看train_loop和test_loop具体里面的内容。目前我们准备好了数据、模型、设置好了超参数，定义好了train_loop和test_loop，之后便是初始化损失函数和优化器，最后就调用train_loop和test_loop。我们首先来看看损失函数和优化器这两个概念。

# train_loop:迭代训练数据集,尝试收敛到最佳参数
def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)   # 训练数据总量
    for batch, (X, y) in enumerate(dataloader):
        # batch迭代的次数938  每次训练输入的是X[64,1,28,28]的张量  y是真实值
        # 计算预测值
        pred = model(X)
        # 计算误差,输出形式为torch.tensor(1.10200)
        loss = loss_fn(pred, y)

        # 梯度归零
        optimizer.zero_grad()
        # 误差反向传播,产生梯度
        loss.backward()
        # 根据梯度下降，调整参数
        optimizer.step()

        # 每迭代100次，输出损失函数值和遍历进度
        if batch % 100 == 0:
            # 用item()获取值
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")


# test_loop：迭代测试数据集，检查模型性能是否改善
def test_loop(dataloader, model, loss_fn):

    size = len(dataloader.dataset)  # 10000
    num_batches = len(dataloader)   # 157
    test_loss, correct = 0, 0

    # 测试时不需要进行梯度计算了
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            # 累加loss
            test_loss += loss_fn(pred, y).item()
            # pred.argmax(1)返回最大值对应的位置，sum()求批量的正确数
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    # 误差总和/总迭代次数=平均误差
    test_loss /= num_batches
    # 正确数总和/数据总量=准确率
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")


loss_fn = nn.CrossEntropyLoss()   # 初始化损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 初始化SGD优化器（采用随机梯度下降）

# 增加epoch数,跟踪模型性能
epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)   # 执行train_loop
    test_loop(test_dataloader, model, loss_fn)                # 执行test_loop
print("Done!")

损失函数loss_fn

当遇到一些训练数据时，我们未经训练的网络很可能不会给出正确的答案。损失函数衡量的是获得的结果与目标值的不相似程度，它是我们在训练期间想要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并与真实数据标签值进行比较。

用于回归任务的nn.MSELoss（均方误差）

用于分类任务的nn.NLLLoss（负对数似然）

用于分类任务的nn.CrossEntropyLoss（交叉熵损失）：结合了nn.LogSoftmax和nn.NLLLoss

其中对于nn.CrossEntropyLoss（交叉熵损失）想要详细了解的，请看这篇文章：

nn.CrossEntropyLoss详解

我们将模型的输出对数传递给 nn.CrossEntropyLoss，它将对对数进行标准化处理并计算预测误差。如下进行损失函数的初始化。

loss_fn = nn.CrossEntropyLoss()   # 初始化损失函数

优化器

优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了这个过程是如何进行的（在这个例子中，我们使用随机梯度下降法Stochastic Gradient Descent）。所有的优化逻辑都被封装在优化器对象中。在这里，我们使用SGD优化器；此外，PyTorch中还有许多不同的优化器，如Adam和RMSProp，它们对不同类型的模型和数据有更好的效果。

我们通过注册需要训练的模型参数来初始化优化器，并传入学习率超参数。

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 初始化SGD优化器（采用随机梯度下降）

train_loop实现过程

接下来介绍一下train_loop的实现过程

def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)   # 训练数据总量 60000
    for batch, (X, y) in enumerate(dataloader):
        # batch迭代的次数938  每次训练输入的是X[64,1,28,28]的张量  y是真实值
        # 计算预测值
        pred = model(X)   # pred大小为[64,10]   y大小为[64]
        # 计算误差,输出形式为torch.tensor(1.10200)
        loss = loss_fn(pred, y)

        # 梯度归零
        optimizer.zero_grad()
        # 误差反向传播,产生梯度
        loss.backward()
        # 根据梯度下降，调整参数
        optimizer.step()

        # 每迭代100次，输出损失函数值和遍历进度
        if batch % 100 == 0:
            # 用item()获取值
            print(pred.size())
            print(y.size())
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

print(len(train_dataloader.dataset))  # 训练数据集总量  60000
print(len(train_dataloader))          # 938  938*64=60032
print(len(test_dataloader.dataset))   # 测试数据集总量  10000
print(len(test_dataloader))           # 157  157*64=10048
X,y = next(iter(train_dataloader))
print(len(X))    # 64   batch_size=64
print(X.size())  # [64,1,28,28]
print(y.size())  # [64]

首先看看数据：训练数据总量是60000，batch_size是64，因此batch大小是938；X是[64,1,28,28]的张量，这个不难理解，batch_size是64，一张图像是[1,28,28];y是真实的标签。

其次看看过程，每次训练都要经过这几步：前向传播计算预测值pred；pred和y根据损失函数计算误差；梯度归零；误差向后传播，得到参数梯度；优化器根据梯度调整参数。

关于optimizer.zero_grad()

功能：梯度初始化为零，把loss关于weight的导数变成0

为什么每一轮batch都需要设置optimizer.zero_grad？
根据pytorch中的backward()函数的计算，当网络参量进行反馈时，梯度是被积累的而不是被替换掉。但是在每一个batch时毫无疑问并不需要将两个batch的梯度混合起来累积，因此这里就需要每个batch设置一遍zero_grad。

其他的大家看看注释就明白了。

test_loop实现过程

# test_loop：迭代测试数据集，检查模型性能是否改善
def test_loop(dataloader, model, loss_fn):

    size = len(dataloader.dataset)  # 10000
    num_batches = len(dataloader)   # 157
    test_loss, correct = 0, 0

    # 测试时不需要进行梯度计算了
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            # 累加loss
            test_loss += loss_fn(pred, y).item()
            # pred.argmax(1)返回最大值对应的位置，sum()求批量的正确数
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    # 误差总和/总迭代次数=平均误差
    test_loss /= num_batches
    # 正确数总和/数据总量=准确率
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

这一部分相对简单一些，这里主要说一下test_loss和correct是如何计算的。

test_loss从0开始每个batch_size算一遍进行累加，item()作用是从包含单个元素的张量中取出该元素值，并保持该元素的类型不变。因为loss_fn输出是torch.tensor（1.0028）这样的形式，是张量。

correct怎么算的：pred大小[64,10]，pred.argmax(1) 行中比较找出列中最大值的位置，这样大小就变成了[64,1],将这个类别与真实标签进行比较（==）。如果相等，则返回True，否则返回False。接着，将布尔值转换为浮点数（type(torch.float)），并对所有元素求和（sum()）。最后，使用item()方法将结果转换为标量值。

四.完整版可直接运行的代码

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

# 加载数据,可详见学习日记2
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

# dataloader的使用，可详见学习日记2
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)


#搭建神经网络，可详见学习日记4
class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()


# 超参数
learning_rate = 1e-3    # 学习率
batch_size = 64         # 批量大小
epochs = 5              # epoch数


# train_loop:迭代训练数据集,尝试收敛到最佳参数
def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)   # 训练数据总量
    for batch, (X, y) in enumerate(dataloader):
        # batch迭代的次数938  每次训练输入的是X[64,1,28,28]的张量  y是真实值
        # 计算预测值
        pred = model(X)   # pred大小为[64,10]   y大小为[64]
        # 计算误差,输出形式为torch.tensor(1.10200)
        loss = loss_fn(pred, y)

        # 梯度归零
        optimizer.zero_grad()
        # 误差反向传播,产生梯度
        loss.backward()
        # 根据梯度下降，调整参数
        optimizer.step()

        # 每迭代100次，输出损失函数值和遍历进度
        if batch % 100 == 0:
            # 用item()获取值
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")


# test_loop：迭代测试数据集，检查模型性能是否改善
def test_loop(dataloader, model, loss_fn):

    size = len(dataloader.dataset)  # 10000
    num_batches = len(dataloader)   # 157
    test_loss, correct = 0, 0

    # 测试时不需要进行梯度计算了
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            # 累加loss
            test_loss += loss_fn(pred, y).item()
            # pred.argmax(1)返回最大值对应的位置，sum()求批量的正确数
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    # 误差总和/总迭代次数=平均误差
    test_loss /= num_batches
    # 正确数总和/数据总量=准确率
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")


loss_fn = nn.CrossEntropyLoss()   # 初始化损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 初始化SGD优化器（采用随机梯度下降）

# 增加epoch数,跟踪模型性能
epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)   # 执行train_loop
    test_loop(test_dataloader, model, loss_fn)                # 执行test_loop
print("Done!")

'''
print(len(train_dataloader.dataset))  # 训练数据集总量  60000
print(len(train_dataloader))          # 938  938*64=60032
print(len(test_dataloader.dataset))   # 测试数据集总量  10000
print(len(test_dataloader))           # 157  157*64=10048
X,y = next(iter(train_dataloader))
print(len(X))    # 64   batch_size=64
print(X.size())  # [64,1,28,28]
print(y.size())  # [64]
'''