【深度學(xué)習(xí)】常見優(yōu)化器的PyTorch實現(xiàn)

這里主要講不同常見優(yōu)化器代碼的實現(xiàn)，以及在一個小數(shù)據(jù)集上做一個簡單的比較。

備注：pytorch需要升級到最新版本

其中，SGD和SGDM，還有Adam是pytorch自帶的優(yōu)化器，而RAdam是最近提出的一個說是Adam更強的優(yōu)化器，但是一般情況下真正的大佬還在用SGDM來做優(yōu)化器。

導(dǎo)入必要庫：

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()

下圖是優(yōu)化器的對比：

可以看出來，Adam的效果可以說是非常好的。然后SGDM其次，SGDM是大佬們經(jīng)常會使用的，所以在這里雖然看起來SGDM效果不如Adam，但是依然推薦在項目中，嘗試一下SGDM的效果。

往期精彩回顧

• 適合初學(xué)者入門人工智能的路線及資料下載

• 機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印

• 機器學(xué)習(xí)在線手冊

• 深度學(xué)習(xí)筆記專輯

• 《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯
  

• AI基礎(chǔ)下載

• 機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯

獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：

https://t.zsxq.com/yFQV7am

本站qq群1003271085。

加入微信群請掃碼進(jìn)群：