pytorch 笔记：torch.optim（基类的基本操作）

1 基本用法

1.1 构建优化器

• 要构建一个优化器，需要提供一个包含参数的可迭代对象来进行优化。
• 然后，可以指定特定于优化器的选项，如学习率、权重衰减等

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)

1.2 按参数设置选项

• 不是传递一个 Variable 的可迭代对象，而是传递一个字典的可迭代对象
• 每个字典定义一个单独的参数组，并且应包含一个 params 键，包含属于该组的参数列表

optim.SGD([
    {'params': model.base.parameters(), 'lr': 1e-2},
    {'params': model.classifier.parameters()}
], lr=1e-3, momentum=0.9)

• 对于 model.base.parameters()，设置了学习率为 1e-2【相当于覆盖了默认的1e-3】
• 对于 model.classifier.parameters()，没有单独设置学习率，因此它会使用构造 optim.SGD 时设定的默认学习率，这里是 1e-3
• 对于这边所有的参数，都有0.9的动量

另一个例子：

bias_params = [p for name, p in self.named_parameters() if 'bias' in name]
others = [p for name, p in self.named_parameters() if 'bias' not in name]
#把参数中的偏置和非偏置分开

optim.SGD([
    {'params': others},
    {'params': bias_params, 'weight_decay': 0}
], weight_decay=1e-2, lr=1e-2)
#为偏置项设置了 0 的 weight_decay

1.3 进行优化步骤

所有优化器都实现了一个 step() 方法，用于更新参数

optimizer.step()

这是大多数优化器支持的简化版本。一旦使用例如 backward() 计算了梯度，就可以调用该函数。

2 add_param_group

• torch.optim.Optimizer.add_param_group 方法是一个很有用的功能，允许你在训练过程中向优化器添加新的参数组。
• 这在微调预训练网络时特别有用，例如当你决定解冻某些层，让它们在训练过程中变得可训练，并需要被优化器管理。
  • 当你开始训练时，可能有些网络层是冻结的（不更新权重）。随着训练的进行，你可能想要解冻一些层以进行微调
  • 通过使用 add_param_group 方法，可以在不重启训练和不重新创建优化器的情况下，将这些新解冻的层添加到优化器中进行优化。

参数：

param_group (dict)

这个字典指定了应该被优化的张量（Tensors），以及与该参数组相关的特定优化选项。 这些选项可以包括学习率 (lr)、动量 (momentum)、权重衰减 (weight_decay) 等

举例：

假设有一个已经训练的模型，现在在特定的epoch之后，要解冻最后几层以进行微调

# 假设model是你的模型，model.classifier是需要最后解冻的部分

optimizer = optim.SGD([param for name, param in model.named_parameters() if 'classifier' not in name], 
    lr=0.01, 
    momentum=0.9)
# 初始化优化器，先只包括除classifier之外的其他部分

# 训练模型
num_epochs = 20
for epoch in range(num_epochs):
    if epoch == 10:   
        for param in model.classifier.parameters():
            param.requires_grad = True
        # 到达第10个epoch，解冻classifier部分的参数

        
        optimizer.add_param_group({'params': model.classifier.parameters(), 
                                    'lr': 0.001})
        # 添加新的参数组到优化器

   
    for input, target in dataset:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step()
     # 正常的一套训练过程

3 state_dict

• torch.optim.Optimizer.state_dict() 方法返回一个字典，描述了优化器的当前状态。
• 这是PyTorch中模型保存和加载机制的重要组成部分，特别是在需要暂停和恢复训练过程时

• 返回的字典包含两个主要条目：

state	一个字典，保存当前优化状态。 内容因不同的优化器类别而异，但有一些共同的特征。 例如，状态是按参数保存的，而参数本身并不被保存。 这个字典将参数ID映射到与每个参数相关的状态字典。
param_groups	一个列表，包含所有参数组，每个参数组都是一个字典。 每个参数组包含了特定于优化器的元数据，如学习率和权重衰减，以及该组中参数的参数ID列表

{
    "state": {
        0: {"momentum_buffer": tensor(...), ...},
        1: {"momentum_buffer": tensor(...), ...},
        2: {"momentum_buffer": tensor(...), ...},
        3: {"momentum_buffer": tensor(...), ...}
    },
    "param_groups": [
        {
            "lr": 0.01,
            "weight_decay": 0,
            ...
            "params": [0]
        },
        {
            "lr": 0.001,
            "weight_decay": 0.5,
            ...
            "params": [1, 2, 3]
        }
    ]
}

4 load_state_dict

• torch.optim.Optimizer.load_state_dict 方法用于加载优化器的状态。这对于恢复训练过程或从先前的训练状态继续训练非常有用。

# 假设在训练过程中，我们保存了优化器的状态
saved_state_dict = optimizer.state_dict()

# 现在我们需要重新加载优化器的状态
optimizer.load_state_dict(saved_state_dict)

原文地址：https://blog.csdn.net/qq_40206371/article/details/140614577

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！