pytorch 7 optimizer 优化器 加速训练
2019-02-26 20:48
453 查看
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/weixin_42419002/article/details/88859728
pytorch 7 optimizer 优化器 加速训练
import torch import torch.utils.data as Data import torch.nn.functional as F import matplotlib.pyplot as plt # torch.manual_seed(1) # reproducible
超参数设置
LR = 0.01 BATCH_SIZE = 32 EPOCH = 12
# fake dataset x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1) y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size())) # plot dataset plt.scatter(x.numpy(), y.numpy()) plt.show() # put dateset into torch dataset torch_dataset = Data.TensorDataset(x, y) loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2,) # default network class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.hidden = torch.nn.Linear(1, 20) # hidden layer self.predict = torch.nn.Linear(20, 1) # output layer def forward(self, x): x = F.relu(self.hidden(x)) # activation function for hidden layer x = self.predict(x) # linear output return x if __name__ == '__main__': # different nets net_SGD = Net() net_Momentum = Net() net_RMSprop = Net() net_Adam = Net() nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam] # 构造4个网络,谈们的结构都是相同的 # different optimizers opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR) opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8) opt_RMSprop = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9) opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99)) optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam] # 使用4个不同的优化器来优化参数 loss_func = torch.nn.MSELoss() losses_his = [[], [], [], []] # 使用四个列表来记录当前的lossz值,record loss # training for epoch in range(EPOCH): print('Epoch: ', epoch) for step, (b_x, b_y) in enumerate(loader): # for each training step for net, opt, l_his in zip(nets, optimizers, losses_his): # 每一次循环都使用一个网络和优化器来训练,添加当前loss值进列表 output = net(b_x) # get output for every net loss = loss_func(output, b_y) # compute loss for every net opt.zero_grad() # clear gradients for next train loss.backward() # backpropagation, compute gradients opt.step() # apply gradients l_his.append(loss.data.numpy()) # loss recoder labels = ['SGD', 'Momentum', 'RMSprop', 'Adam'] for i, l_his in enumerate(losses_his): plt.plot(l_his, label=labels[i]) plt.legend(loc='best') plt.xlabel('Steps') plt.ylabel('Loss') plt.ylim((0, 0.2)) plt.show()
- 数据
- 4种优化器的训练过程的loss变化,下降的越快越好
END
posted @ 2019-02-26 20:48 YangZhaonan 阅读(...) 评论(...) 编辑 收藏相关文章推荐
- Pytorch打怪路(二)pytorch进行mnist训练和测试
- PyTorch中使用预训练的模型初始化网络的一部分参数
- pytorch加载已训练好的word-embedding
- pytorch:在网络中添加可训练参数,修改预训练权重文件
- Attention is all you need pytorch实现 源码解析02 - 模型的训练(1)- 模型的训练代码
- pytorch多GPU训练以及多线程加载数据
- Pytorch打怪路(一)pytorch进行CIFAR-10分类(4)训练
- Attention is all you need pytorch实现 源码解析03 - 模型的训练(2)- transformer模型的代码实现以及结构
- Pytorch打怪路(一)pytorch进行CIFAR-10分类(3)定义损失函数和优化器
- Pytorch 加载训练好的模型 遇到的error
- pytorch 多GPU训练
- 【pytorch】如何在pytorch自定义优化函数?
- PyTorch笔记7-optimizer
- pytorch 加载预训练模型
- pytorch 如何加载部分预训练模型
- pytorch pruning训练自己的数据库(流程+BUG调试)
- 机器学习中的优化算法、加速训练机制、损失函数、KL散度和交叉熵
- PyTorch结合TorchText使用预训练词向量
- 深度学习:pytorch用预训练pre-train模型微调参数
- PyTorch(7)——模型的训练和测试、保存和加载