【深度学习】常见优化器的PyTorch实现-轻识

这里主要讲不同常见优化器代码的实现，以及在一个小数据集上做一个简单的比较。

备注：pytorch需要升级到最新版本

其中，SGD和SGDM，还有Adam是pytorch自带的优化器，而RAdam是最近提出的一个说是Adam更强的优化器，但是一般情况下真正的大佬还在用SGDM来做优化器。

导入必要库：

import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport matplotlib.pyplot as pltimport torch.utils.data as Datafrom torch.optim.optimizer import Optimizerimport math

主程序部分：

LR = 0.01BATCH_SIZE = 32EPOCH = 12
# fake datasetx = torch.unsqueeze(torch.linspace(-1, 1, 300), dim=1)y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size()))
torch_dataset = Data.TensorDataset(x, y)loader = Data.DataLoader(    dataset=torch_dataset,    batch_size=BATCH_SIZE,    shuffle=True,    num_workers=2)

class Net(nn.Module):    def __init__(self):        super(Net, self).__init__()        self.hidden = nn.Linear(1, 20)        self.prediction = nn.Linear(20, 1)
    def forward(self, x):        x = F.relu(self.hidden(x))        x = self.prediction(x)        return x

def main():    net_SGD = Net()    net_Momentum = Net()    net_Adam = Net()    net_RAdam = Net()    nets = [net_SGD, net_Momentum, net_Adam, net_RAdam]    opt_SGD = optim.SGD(net_SGD.parameters(), lr=LR)    opt_Momentum = optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.9)    opt_Adam = optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))    opt_RAdam = RAdam(net_RAdam.parameters(),lr=LR,weight_decay=0)    optimizers = [opt_SGD, opt_Momentum, opt_Adam, opt_RAdam]    loss_func = nn.MSELoss()    losses_his = [[], [], [], []]    # training    for epoch in range(EPOCH):        print('EPOCH:', epoch)        for step, (batch_x, batch_y) in enumerate(loader):            b_x = batch_x            b_y = batch_y            for net, opt, l_his in zip(nets, optimizers, losses_his):                out = net(b_x)                loss = loss_func(out, b_y)                opt.zero_grad()                loss.backward()                opt.step()                l_his.append(loss.item())    labels = ['SGD', 'Momentum', 'Adam','RAdam']    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()

if __name__ == '__main__':    main()

下图是优化器的对比：

可以看出来，Adam的效果可以说是非常好的。然后SGDM其次，SGDM是大佬们经常会使用的，所以在这里虽然看起来SGDM效果不如Adam，但是依然推荐在项目中，尝试一下SGDM的效果。

往期精彩回顾

适合初学者入门人工智能的路线及资料下载
机器学习及深度学习笔记等资料打印
机器学习在线手册
深度学习笔记专辑
《统计学习方法》的代码复现专辑
AI基础下载
机器学习的数学基础专辑

获取一折本站知识星球优惠券，复制链接直接打开：

https://t.zsxq.com/yFQV7am

本站qq群1003271085。

加入微信群请扫码进群：