当前位置： 首页 > article >正文

深度学习框架PyTorch——从入门到精通（7）优化模型参数

article 2025/3/26 14:18:07

前言
现在我们有了模型和数据，是时候通过优化数据参数来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（损失），收集误差相对于其参数的导数（正如我们在上一节中看到的），并且使用梯度下降优化这些参数。有关此过程的更详细信息，请查看3Blue1Brown反向传播的视频

事前准备

我们从Datasets&DataLoaders和Build Model的加载部分代码。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

超参数

超参数是可调整的参数，可让您控制模型优化过程。不同的超参数值会影响模型训练和收敛速度（关于超参数调整）

我们为训练定义了以下超参数：

  • Number of Epochs - 迭代数据集的次数
  • Batch Size：批量大小 - 在参数更新之前通过网络传播的数据样本数
  • Learning Rate：学习率 - 在每个批次/时期更新模型参数的量。较小的值会导致学习速度缓慢，而较大的值可能会导致训练期间的不可预测行为。
learning_rate = 1e-3
batch_size = 64
epochs = 5

优化循环

一旦我们设置了超参数，我们就可以优化循环训练和优化我们的模型。优化循环的每一次迭代称为epoch（轮次）。

每个epoch（轮次）由两个主要部分组成：

  • Train Loop：训练轮次 - 遍历训练集并尝试收敛到最佳参数。
  • The Validation/Test Loop：验证/测试循环 - 遍历测试数据集以检查模型性能是否有所提高。

让我们简单熟悉一下训练循环中使用的一些概念。跳到优化循环的完整实现。

损失函数 （Loss Function）

当出现一些训练数据时，我们未经训练的网络可能不会给出正确答案。损失函数测量得到的结果与目标值的不相似程度，这是我们在训练期间希望最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实的数据标签值进行比较。

常见的损失函数包括用于回归任务的 nn.MSELoss（均方误差损失函数），以及用于分类任务的 nn.NLLLoss（负对数似然损失函数）。nn.CrossEntropyLoss（交叉熵损失函数）则结合了 nn.LogSoftmax（对数 softmax 函数）和 nn.NLLLoss。

我们将模型的输出logits传递给nn.CrossEntropyLoss，这将规范化logits并计算预测误差。

# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()

优化器(Optimizer）

优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了这一过程的执行方式（在这个示例中，我们使用随机梯度下降法）。所有的优化逻辑都封装在优化器对象中。在这里，我们使用随机梯度下降（SGD）优化器；此外，PyTorch 中还有许多不同的优化器可供使用，例如自适应矩估计（ADAM）优化器和均方根传播（RMSProp）优化器，它们对于不同类型的模型和数据能有更好的表现。

我们通过注册需要训练的模型参数并传入学习率超参数来初始化优化器。

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

在训练循环中，优化分三个步骤进行：

  • 调用optimizer.zero_grad()重置模型参数的渐变。渐变默认相加；为了防止重复计数，我们在每次迭代时显式地将它们归零。
  • 通过调用loss.backward()反向传播预测损失。PyTorch存储损失w.r.t.的梯度。每个参数。
  • 一旦我们有了梯度，我们调用optimizer.step()通过向后传递中收集的梯度来调整参数。

完整实现（Full Implementation）

我们定义train_loop循环我们的优化代码，test_loop根据我们的测试数据评估模型的性能。

def train_loop(dataloader, model, loss_fn, optimizer):
    # 获取数据集的大小
    size = len(dataloader.dataset)
    # 将模型设置为训练模式 - 这对于批量归一化和丢弃层很重要
    # 在这种情况下并非必需，但为了遵循最佳实践添加此操作
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        # 计算预测值和损失
        pred = model(X)
        loss = loss_fn(pred, y)

        # 反向传播
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

        if batch % 100 == 0:
            # 获取当前批次的损失值和已处理样本数量
            loss, current = loss.item(), batch * batch_size + len(X)
            print(f"损失: {loss:>7f}  [{current:>5d}/{size:>5d}]")


def test_loop(dataloader, model, loss_fn):
    # 将模型设置为评估模式 - 这对于批量归一化和丢弃层很重要
    # 在这种情况下并非必需，但为了遵循最佳实践添加此操作
    model.eval()
    # 获取数据集的大小
    size = len(dataloader.dataset)
    # 获取数据加载器中的批次数量
    num_batches = len(dataloader)
    # 初始化测试损失和正确预测的数量
    test_loss, correct = 0, 0

    # 使用 torch.no_grad() 评估模型可确保在测试模式下不计算梯度
    # 这也有助于减少不必要的梯度计算，并降低 requires_grad=True 的张量的内存使用
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    # 计算平均测试损失
    test_loss /= num_batches
    # 计算准确率
    correct /= size
    print(f"测试误差: \n 准确率: {(100*correct):>0.1f}%, 平均损失: {test_loss:>8f} \n")

我们初始化损失函数和优化器，并将它们传递给 train_loop 和 test_loop 函数。你可以随意增加训练轮数（epoch），以跟踪模型不断提升的性能表现。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)
    test_loop(test_dataloader, model, loss_fn)
print("Done!")

完整代码

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

learning_rate = 1e-3
batch_size = 64
epochs = 5


loss_fn = nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

def train_loop(dataloader, model, loss_fn, optimizer):
    # 获取数据集的大小
    size = len(dataloader.dataset)
    # 将模型设置为训练模式 - 这对于批量归一化和丢弃层很重要
    # 在这种情况下并非必需，但为了遵循最佳实践添加此操作
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        # 计算预测值和损失
        pred = model(X)
        loss = loss_fn(pred, y)

        # 反向传播
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

        if batch % 100 == 0:
            # 获取当前批次的损失值和已处理样本数量
            loss, current = loss.item(), batch * batch_size + len(X)
            print(f"损失: {loss:>7f}  [{current:>5d}/{size:>5d}]")


def test_loop(dataloader, model, loss_fn):
    # 将模型设置为评估模式 - 这对于批量归一化和丢弃层很重要
    # 在这种情况下并非必需，但为了遵循最佳实践添加此操作
    model.eval()
    # 获取数据集的大小
    size = len(dataloader.dataset)
    # 获取数据加载器中的批次数量
    num_batches = len(dataloader)
    # 初始化测试损失和正确预测的数量
    test_loss, correct = 0, 0

    # 使用 torch.no_grad() 评估模型可确保在测试模式下不计算梯度
    # 这也有助于减少不必要的梯度计算，并降低 requires_grad=True 的张量的内存使用
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    # 计算平均测试损失
    test_loss /= num_batches
    # 计算准确率
    correct /= size
    print(f"测试误差: \n 准确率: {(100*correct):>0.1f}%, 平均损失: {test_loss:>8f} \n")

    loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)
    test_loop(test_dataloader, model, loss_fn)
print("Done!")

输出应该类似为：
一共10个循环，我就不全展示了。

在这里插入图片描述

最后的准确率大概在71%，如果你有改之前的超参数的话，准确率可能不一样。

更多内容

  • 损失函数
  • torch.optim
  • 热启动训练模型（Warmstart Training a Model）

http://www.kler.cn/a/598527.html

相关文章：

  • Java UDP聊天室搭建指南
  • 群体智能优化算法-蚁狮优化算法（Ant Lion Optimizer, ALO，含Matlab源代码）
  • HQChart使用教程46-K线图如何对接第3方数据42-DRAWTEXT_LINE数据结构
  • Qt窗口控件之菜单栏QMenuBar
  • 【后端开发面试题】每日 3 题（十七）
  • 搭建简易的rtsp服务器
  • 深入理解Java对象克隆：从浅入深掌握深克隆与浅克隆
  • CMS漏洞-DeDeCMS篇
  • 【uni-app】引用公共组件
  • 新配置了一台服务器+域名共178：整个安装步骤，恢复服务
  • quartz.net条件执行
  • 供应链与生产制造L1L4级高阶流程规划框架（53页PPT）（文末有下载方式）
  • vue3 ts 注册全局组件
  • JVM 类加载器之间的层次关系，以及类加载的委托机制
  • Neo Gamma 机器人在 GTC 2025 上的突破性进展与表现分析
  • Luogu P2249 【深基13.例1】查找 --- python 3解法
  • Agent toolkits集成指南
  • 【MyDB】一个仿照MySQL的轮子项目系列文章汇总
  • 算法如何测试，如果数据量很大怎么办？
  • 缓存设计模式