镇江建设网站的公司,宁波全网营销型网站建设,简述网站建设优劣的评价标准,m开头的网站建设公司import numpy as np
import pandas as pdimport torch as tPyTorch将深度学习中常用的优化方法全部封装在torch.optim中#xff0c;其设计十分灵活#xff0c;能够很方便的扩展成自定义的优化方法。
所有的优化方法都是继承基类optim.Optimizer#xff0c;并实现了自己的优…import numpy as np
import pandas as pdimport torch as tPyTorch将深度学习中常用的优化方法全部封装在torch.optim中其设计十分灵活能够很方便的扩展成自定义的优化方法。
所有的优化方法都是继承基类optim.Optimizer并实现了自己的优化步骤。下面就以最基本的优化方法——随机梯度下降法SGD举例说明。这里需重点掌握
优化方法的基本使用方法如何对模型的不同部分设置不同的学习率如何调整学习率
# 定义一个LeNet网络
class Net(t.nn.Module):def __init__(self):super(Net, 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))self.classifier 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.classifier(x)return xnet Net()optimizer t.optim.SGD(paramsnet.parameters(), lr1)
optimizer.zero_grad() # 梯度清零input t.randn(1, 3, 32, 32)
output net(input)
output.backward(output) optimizer.step() # 执行优化# 为不同子网络设置不同的学习率在finetune中经常用到
# 如果对某个参数不指定学习率就使用最外层的默认学习率
optimizer t.optim.SGD([{params: net.features.parameters()}, # 学习率为1e-5{params: net.classifier.parameters(), lr: 1e-2}], lr1e-5)
optimizerSGD (
Parameter Group 0dampening: 0differentiable: Falseforeach: Nonelr: 1e-05maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0Parameter Group 1dampening: 0differentiable: Falseforeach: Nonelr: 0.01maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0
)# 只为两个全连接层设置较大的学习率其余层的学习率较小
special_layers t.nn.ModuleList([net.classifier[0], net.classifier[3]])
special_layers_params list(map(id, special_layers.parameters()))
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}], lr0.001)
optimizerSGD (
Parameter Group 0dampening: 0differentiable: Falseforeach: Nonelr: 0.001maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0Parameter Group 1dampening: 0differentiable: Falseforeach: Nonelr: 0.01maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0
)对于如何调整学习率主要有两种做法。一种是修改optimizer.param_groups中对应的学习率另一种是更简单也是较为推荐的做法——新建优化器由于optimizer十分轻量级构建开销很小故而可以构建新的optimizer。但是后者对于使用动量的优化器如Adam会丢失动量等状态信息可能会造成损失函数的收敛出现震荡等情况。
# 方法1: 调整学习率新建一个optimizer
old_lr 0.1
optimizer1 t.optim.SGD([{params: net.features.parameters()},{params: net.classifier.parameters(), lr: old_lr*0.1}], lr1e-5)
optimizer1SGD (
Parameter Group 0dampening: 0differentiable: Falseforeach: Nonelr: 1e-05maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0Parameter Group 1dampening: 0differentiable: Falseforeach: Nonelr: 0.010000000000000002maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0
)# 方法2: 调整学习率, 手动decay, 保存动量
for param_group in optimizer.param_groups:param_group[lr] * 0.1 # 学习率为之前的0.1倍
optimizerSGD (
Parameter Group 0dampening: 0differentiable: Falseforeach: Nonelr: 0.0001maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0Parameter Group 1dampening: 0differentiable: Falseforeach: Nonelr: 0.001maximize: Falsemomentum: 0nesterov: Falseweight_decay: 0
)
