查询建设资质的网站开发一个app有哪些好处

一级目录

二级目录

三级目录

优化器

在PyTorch中，优化器作用是管理并更新模型的可学习参数（如权值和偏置 ），使模型输出更接近真实标签。具体表现为：

• 基于梯度更新参数：通过反向传播得到损失函数对模型参数的梯度后，依据梯度信息，按照特定优化策略（如梯度下降及其变体 ）调整参数值，使损失函数值逐步减小，让模型预测更准确。比如随机梯度下降（SGD）优化器，每次依据当前参数梯度来更新参数 。
• 提供多种优化策略：PyTorch提供如SGD、Momentum、AdaGrad、RMSprop、Adam等多种优化器，每种有不同更新规则和机制，适应不同训练需求。像Adam结合动量和自适应学习率思想，收敛快，适用于大规模数据集；AdaGrad适合处理稀疏特征数据，能自适应调整参数学习率 。
• 管理参数组：可管理不同的参数组，为每组参数设置不同超参数（如学习率 ），灵活调整模型不同部分参数更新方式。

1. 用法说明

这是PyTorch中 torch.optim 优化器相关的使用说明，具体讲解如下：

整体功能

torch.optim 是实现各种优化算法的包，支持常见优化方法，且接口通用，方便后续集成更复杂的算法。

构建优化器

• 步骤：构建优化器对象时，需传入一个可迭代对象（含要优化的参数，这些参数通常是模型中的权重等，类型应为 Variable ，在新版PyTorch中， Variable 已和 Tensor 合并 ），还可指定优化器特定选项，如学习率（lr ）、权重衰减（weight decay ）等 。
• 注意事项：若要将模型移至GPU（通过 .cuda() 方法 ），需在构建优化器之前操作。因为调用 .cuda() 后模型参数对象会改变，要确保优化器构建和使用时，优化的参数在一致位置。
• 示例：
  • optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) ：构建随机梯度下降（SGD）优化器，对 model 的参数进行优化，学习率设为 0.01 ，动量设为 0.9 。
  • optimizer = optim.Adam([var1, var2], lr=0.0001) ：构建Adam优化器，对 var1 和 var2 这两个参数进行优化，学习率为 0.0001 。

执行优化步骤

• optimizer.step() 方法：所有优化器都实现了 step() 方法用于更新参数。一种常见使用方式是在通过反向传播（如 loss.backward() ）计算出梯度后调用。例如代码示例中，每次迭代时，先清空梯度（optimizer.zero_grad() ），模型前向传播得到输出（output = model(input) ），计算损失（loss = loss_fn(output, target) ），反向传播计算梯度（loss.backward() ），最后调用 optimizer.step() 更新参数。
• optimizer.step(closure) 方法：对于共轭梯度（Conjugate Gradient ）和L - BFGS等一些优化算法，需要多次重新评估函数，所以要传入一个闭包（closure ）。闭包应实现清空梯度、计算损失并返回损失值的功能，以便这些算法重新计算模型。

2. 相应代码

import torch
import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoaderdataset = torchvision.datasets.CIFAR10("das",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset, batch_size=64)class Test(nn.Module):def __init__(self):super(Test,self).__init__()self.model1 = Sequential(Conv2d(3,32,5,padding=2),MaxPool2d(2),Conv2d(32, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self,x):x = self.model1(x)return xloss = nn.CrossEntropyLoss()
test = Test()
optim = torch.optim.SGD(test.parameters(), lr = 0.01)
for epoch in range(20):running_loss = 0.0for data in dataloader:imgs, targets = dataoutputs = test(imgs)result_loss = loss(outputs,targets)optim.zero_grad()  # 把上一轮的梯度清除为0，因为上一轮的梯度对于本轮不起作用result_loss.backward()  # 损失函数的反向传播，求出每一个节点的梯度optim.step()  # 调用优化器，对模型中的参数进行调优# print(result_loss)running_loss = running_loss + result_lossprint(running_loss)

运行结果

可以看到grad的改变