欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

PyTorch笔记 优化器的比较

程序员文章站 2022-07-02 09:16:43
相关视频:PyTorch 动态神经网络 (莫烦 Python 教学)一、导入库、设置超参数、创造数据二、批数据训练用的TensorDataset和DataLoader三、创建网络创建4个网络,分别由优化器SGD、Momentum、RMSprop和Adam训练四、损失函数五、训练网络六、画出loss的图像,比较不同的优化器可以发现,效果从低到高大致为:SGD < Momentum < RMSprop < Adam代码import torchimport...

相关视频:
PyTorch 动态神经网络 (莫烦 Python 教学)

一、导入库、设置超参数、创造数据

PyTorch笔记 优化器的比较PyTorch笔记 优化器的比较

二、批数据训练用的TensorDataset和DataLoader

PyTorch笔记 优化器的比较

三、创建网络

创建4个网络,分别由优化器SGD、Momentum、RMSprop和Adam训练

PyTorch笔记 优化器的比较

四、损失函数

PyTorch笔记 优化器的比较

五、训练网络

PyTorch笔记 优化器的比较

六、画出loss的图像,比较不同的优化器

PyTorch笔记 优化器的比较
PyTorch笔记 优化器的比较

可以发现,效果从低到高大致为:SGD < Momentum < RMSprop < Adam

七、代码

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

# 自己创建的网路
class Net(torch.nn.Module):
    def __init__(self, n_input, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden_layer = torch.nn.Linear(n_input, n_hidden)
        self.output_layer = torch.nn.Linear(n_hidden, n_output)
    
    def forward(self, x):
        x = F.relu(self.hidden_layer(x))
        x = self.output_layer(x)
        return x

# 超参数
LR = 0.01
BATCH_SIZE = 32
EPOCH = 12

# 创造数据
x = torch.unsqueeze(torch.linspace(-1,1,1000), dim=1)
print(x.shape)

y = torch.pow(x, 2) + 0.1 * torch.normal(torch.zeros(*x.size()))
print(y.shape)

plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

# TensorDataset
dataset = Data.TensorDataset(x, y)

# DataLoader
loader = Data.DataLoader(
    dataset=dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    num_workers=2 # 非jupyter notebook的环境下删除num_workers
)

# 用SGD优化器训练的网络
net_SGD = Net(1,20,1)

# 用Momentum优化器训练的网络
net_Momentum = Net(1,20,1)

# 用RMSprop优化器训练的网络
net_RMSprop = Net(1,20,1)

# 用Adam优化器训练的网络
net_Adam = Net(1,20,1)

nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

# SGD优化器
opt_SGD = torch.optim.SGD(
    net_SGD.parameters(),
    lr=LR
)

# Momentum优化器
opt_Momentum = torch.optim.SGD(
    net_Momentum.parameters(),
    lr=LR,
    momentum=0.8
)

# RMSprop优化器
opt_RMSprop = torch.optim.RMSprop(
    net_RMSprop.parameters(),
    lr=LR,
    alpha=0.9
)

# Adam优化器
opt_Adam = torch.optim.Adam(
    net_Adam.parameters(),
    lr=LR,
    betas=(0.9,0.99)
)

opts = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam]

# 损失函数
loss_func = torch.nn.MSELoss()
losses_his = [[],[],[],[]]

for epoch in range(EPOCH):
    print('Epoch',epoch)
    for step, (batch_x, batch_y) in enumerate(loader):
        for net, opt, loss_his in zip(nets, opts, losses_his):
            # 计算loss
            output = net(batch_x)
            loss = loss_func(output, batch_y)
            # 训练优化
            opt.zero_grad()
            loss.backward()
            opt.step()
            # 记录loss
            loss_his.append(loss.data.item())
            
# 画出loss的图像
labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
for i, loss_his in enumerate(losses_his):
    plt.plot(loss_his, label=labels[i])
plt.legend(loc='best')
plt.xlabel('Steps')
plt.ylabel('Loss')
plt.show()

# 画出loss的图像
labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
for i, loss_his in enumerate(losses_his):
    plt.plot(loss_his, label=labels[i])
plt.legend(loc='best')
plt.xlabel('Steps')
plt.xlim(0, 100)
plt.ylabel('Loss')
plt.show()

本文地址:https://blog.csdn.net/weixin_43826681/article/details/109633501

相关标签: PyTorch