嗨，我是小壮！
今儿咱们聊聊Pytorch中的优化器。
优化器在深度学习中的选择直接影响模型的训练效果和速度。不同的优化器适用于不同的问题，其性能的差异可能导致模型更快、更稳定地收敛，或者在某些任务上表现更好。
因此，选择合适的优化器是深度学习模型调优中的一个关键决策，能够显著影响模型的性能和训练效率。
PyTorch本身提供了许多优化器，用于训练神经网络时更新模型的权重。
常见优化器
咱们先列举PyTorch中常用的优化器，以及简单介绍：
(1) SGD (Stochastic Gradient Descent)
随机梯度下降是最基本的优化算法之一。它通过计算损失函数关于权重的梯度，并沿着梯度的负方向更新权重。
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)(2) Adam
Adam是一种自适应学习率的优化算法，结合了AdaGrad和RMSProp的思想。它能够自适应地为每个参数计算不同的学习率。
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)(3) Adagrad
Adagrad是一种自适应学习率的优化算法，根据参数的历史梯度调整学习率。但由于学习率逐渐减小，可能导致训练过早停止。
optimizer = torch.optim.Adagrad(model.parameters(), lr=learning_rate)(4) RMSProp
RMSProp也是一种自适应学习率的算法，通过考虑梯度的滑动平均来调整学习率。
optimizer = torch.optim.RMSprop(model.parameters(), lr=learning_rate)(5) Adadelta
Adadelta是一种自适应学习率的优化算法，是RMSProp的改进版本，通过考虑梯度的移动平均和参数的移动平均来动态调整学习率。
optimizer = torch.optim.Adadelta(model.parameters(), lr=learning_rate)一个完整案例
在这里，咱们聊聊如何使用PyTorch训练一个简单的卷积神经网络（CNN）来进行手写数字识别。
这个案例使用的是MNIST数据集，并使用Matplotlib库绘制了损失曲线和准确率曲线。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
# 设置随机种子
torch.manual_seed(42)
# 定义数据转换
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
# 下载和加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)
# 定义简单的卷积神经网络模型
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.relu = nn.ReLU()
self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
self.fc1 = nn.Linear(64 * 7 * 7, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.pool(x)
x = self.conv2(x)
x = self.relu(x)
x = self.pool(x)
x = x.view(-1, 64 * 7 * 7)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
# 创建模型、损失函数和优化器
model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
num_epochs = 5
train_losses = []
train_accuracies = []
for epoch in range(num_epochs):
model.train()
total_loss = 0.0
correct = 0
total = 0
for inputs, labels in train_loader:
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
total_loss += loss.item()
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
accuracy = correct / total
train_losses.append(total_loss / len(train_loader))
train_accuracies.append(accuracy)
print(f"Epoch {epoch+1}/{num_epochs}, Loss: {train_losses[-1]:.4f}, Accuracy: {accuracy:.4f}")
# 绘制损失曲线和准确率曲线
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(train_losses, label='Training Loss')
plt.title('Training Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(train_accuracies, label='Training Accuracy')
plt.title('Training Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.tight_layout()
plt.show()
# 在测试集上评估模型
model.eval()
correct = 0
total = 0
with torch.no_grad():
for inputs, labels in test_loader:
outputs = model(inputs)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
accuracy = correct / total
print(f"Accuracy on test set: {accuracy * 100:.2f}%")上述代码中，我们定义了一个简单的卷积神经网络（CNN），使用交叉熵损失和Adam优化器进行训练。
在训练过程中，我们记录了每个epoch的损失和准确率，并使用Matplotlib库绘制了损失曲线和准确率曲线。
我是小壮，下期见！
