Day 17 - 優化器的實作

14th鐵人賽

dengliu2000

2022-10-01 23:46:48

471 瀏覽

分享至

今天的文章主要要提到關於優化器實作的部分,昨天的文章中有提到了優化器的原理以及種類,但我並沒有提到該如何選擇一個合適的優化器這個很重要的問題.因此今天主要就是要來探討要如何去選擇一個合適的優化器,當然這個問題涉及到很大量的計算問題,因此我們必須借助電腦的力量來幫助我們,那麼接下來就開始我們今天的主題.

以PyTorch進行優化器的實作

偽數據的建立

import torch
import torch.utils.data as Data
import torch.nn.functional as F
import matplotlib.pyplot as plt

torch.manual_seed(1)

LR = 0.01
BATCH_SIZE = 30
EPOCH = 15

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(4) + 0.1*torch.normal(torch.zeros(*x.size()))

plt.scatter(x.numpy(), y.numpy())
plt.show()

torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2)

建立一個具有100個點並以一元四次方程式為軌跡的偽數據.

2. 優化器各自負責各自的神經網路

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(1, 20)
        self.predict = torch.nn.Linear(20, 1)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

if __name__ == '__main__'
    net_SGD         = Net()
    net_Momentum    = Net()
    net_RMSprop     = Net()
    net_Adam        = Net()
    nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

優化器(這裡我們主要選擇四種常見的優化器),並利用loss_func計算損失函式的損失

    opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR)
    opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8)
    opt_RMSprop = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9)
    opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))
    optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam]

    loss_func = torch.nn.MSELoss()
    losses_his = [[], [], [], []]

進行總共15次的訓練

for epoch in range(EPOCH):
    print('Epoch: ', epoch)
    for step, (b_x, b_y) in enumerate(loader):

        for net, opt, l_his in zip(nets, optimizers, losses_his):
            output = net(b_x)              
            loss = loss_func(output, b_y)  
            opt.zero_grad()                
            loss.backward()                
            opt.step()                     
            l_his.append(loss.data.numpy())

5. 以loss及steps進行畫圖

訓練的次數越多會導致steps的數字跟著變大.

作圖後觀察的結論

在偽數據越多時,訓練次數並不用太多便可以從作圖中得知該選擇哪一種優化器來優化神經網路.但當偽數據不夠多時,我們就必須要透過增加訓練的次數來選擇合適的優化器.

上圖為100個數據時進行12次訓練後的作圖結果

上圖為100個數據時進行15次訓練後的作圖結果

上圖為1000個數據時進行12次訓練後的作圖的結果