Skip to content

优化模型参数

  • 加载并构建神经网络模型
  • 超参数
  • 优化循环
  • 实例代码

加载并构建神经网络模型

  • 现在我们有了模型和数据，是时候通过优化数据的参数来训练、验证和测试我们的模型了。训练一个模型是一个迭代的过程；在每次迭代(称为一个epoch)中，模型对输出进行猜测，计算猜测中的误差(loss)，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)，并使用梯度下降优化这些参数。

加载并构建神经网络模型

  • 我们加载前面关于Datasets和Dataloaders部分的代码，并构建模型。
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

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(NeuralNetwork, self).__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，用于控制模型优化过程。不同的超参数值会影响模型训练和收敛速度。
  • Pytorch为模型训练设置了以下超参数:
    • Number of Epochs ——迭代数据集的次数
    • Batch Size——参数更新前通过网络传播的数据样本数
    • Learning Rate——每批/每个时期更新模型参数的程度。较小的值产生较慢的学习速度，而较大的值可能导致训练期间不可预测的行为。

超参数

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

优化循环

  • 一旦我们设置了超参数，我们就可以用优化循环来训练和优化我们的模型。优化循环的每次迭代被称为一个epoch。
  • 每个epoch由两个主要部分组成:
    • The Train Loop——迭代训练数据集，并试图收敛到最佳参数。
    • The Validation/Test Loop——迭代测试数据集，以检查模型性能是否在提高。

优化循环——损失函数

  • 当面对一些训练数据时，我们未经训练的网络可能不会给出正确的答案。损失函数度量获得的结果与目标值的不同程度，并且它是我们在训练期间想要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。
  • 常见的损失函数包括：
    • nn.MSELoss：应用于回归任务，计算均方误差
    • nn.NLLLoss：应用于分类任务，计算负对数似然误差
    • nn.CrossEntropyLoss：结合nn.LogSoftmax和nn.NLLLoss，应用于多分类问题，计算交叉熵

优化循环——损失函数

我们将模型的输出logits传递给nn.CrossEntropyLoss，它将对logits进行归一化并计算预测误差。

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

优化器

  • 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。优化算法定义了如何执行这个过程(在实例演示中，我们使用随机梯度下降的方法进行优化)。所有优化逻辑都封装在Optimizer对象中。这里，我们使用SGD优化器；此外，Pytorch中还有许多不同的优化器，比如ADAM和RMSProp，它们可以更好地处理不同类型的模型和数据。

优化器

  • 我们通过注册需要训练的模型参数来初始化优化器，并传入学习率超参数。
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

优化器

  • 在训练循环中，优化分三步进行:
    • 调用optimizer.zero_grad()重置模型参数的梯度。默认情况下，渐变会叠加；为了防止重复计算，我们在每次迭代中显式地将它们置零。
    • 通过调用loss.backward()反向传播预测损失。Pytorch根据每个参数存储损耗梯度。
    • 一旦我们有了梯度，我们就调用optimizer.step()通过反向传递中收集的梯度来调整参数。

实例代码

  • 我们定义了遍历优化代码的train_loop和根据测试数据评估模型性能的test_loop。

```python

定义训练的循环

def train_loop(dataloader, model, loss_fn, optimizer): size = len(dataloader.dataset)#根据dataset的长度定义 for batch, (X, y) in enumerate(dataloader): # 前向传播，计算预测值和损失 pred = model(X) loss = loss_fn(pred, y)

    # 反向传播，置零、反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 每100个batch，输出
    if batch % 100 == 0:
        # 每100个batch，输出
        loss, current = loss.item(), batch * len(X)
        print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

定义测试的循环

def test_loop(dataloader, model, loss_fn): size = len(dataloader.dataset) num_batches = len(dataloader) test_loss, correct = 0, 0 # 无需计算和保存梯度 with torch.no_grad(): for X, y in dataloader: pred = model(X) #累加损失和正确数量 test_loss += loss_fn(pred, y).item() #沿维度为1的轴进行累加，换浮点数 correct += (pred.argmax(1) == y).type(torch.float).sum().item()

# 计算平均损失和正确率
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

```

实例代码

  • 我们初始化损失函数和优化器，并将其传递给train_loop和test_loop。随意增加epoch的数量，以跟踪模型性能的提高。

```python 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!") ```