【pytorch】（五）优化模型参数

2022-12-29 172

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

交互式建模 PAI-DSW，每月250计算时 3个月

模型在线服务 PAI-EAS，A10/V100等 500元 1个月

模型训练 PAI-DLC，100CU*H 3个月

简介：

优化模型参数

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

device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)

# ======================= 数据 =======================
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)


# ======================= 模型 =======================
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()

        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 = x.flatten(1)
        logits = self.linear_relu_stack(x)
        return logits

现在我们已经有模型和数据集了，是时候利用数据集来训练、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（称为epoch）中，数据输入模型；模型对输出进行估计；优化器根据估计值与真实值的误差（损失loss）计算其相对于模型参数的导数（如前一节所示），然后使用梯度下降优化模型的参数。

超参数

超参数是可调的参数，我们可以通过调整超参数来控制模型优化过程：超参数取不同值可能会影响模型训练和收敛速度。

我们为模型的训练定义以下超参数：

learning_rate = 1e-3
batch_size = 64
epochs = 10

Epochs：遍历整个数据集的次数
Batch Size：更新参数之前输入模型的数据样本数
学习率(Learning Rate)：在每个批次/epoch更新模型参数的程度。小的学习率会导致学习速度较慢，而较大的值可能会导致模型不收敛。

循环优化

一旦我们设置了超参数，我们就可以通过循环优化来训练和优化我们的模型。优化循环的每次迭代称为一个epoch。

每个epoch由两个主要部分组成：

（1）训练循环(The Train Loop)：迭代训练数据集，尝试着让模型参数收敛到最佳参数。

在训练环节中，优化分为三个步骤：

调用optimizer.zero_grad()重置模型参数的梯度。默认情况下，梯度是累加的；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()对预测损失进行反向传播。PyTorch将存储损失关于每个参数的梯度。
一旦我们得到了梯度，我们就调用optimizer.step()，这将通过在反向传播中收集的梯度来调整参数。


def train_loop(dataloader, model, loss_fn, optimizer):
    '''训练循环'''
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        X = X.to(device)
        y = y.to(device)
        # 计算估计值与损失
        pred = model(X)
        loss = loss_fn(pred, y)

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

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

（2）验证/测试循环(The Validation/Test Loop)：迭代测试数据集，检查模型性能是否正在改善。


def test_loop(dataloader, model, loss_fn):
    '''测试循环'''
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0

    with torch.no_grad():  
        for X, y in dataloader:
            X = X.to(device)
            y = y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100 * correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

让我们简单地熟悉一下上文训练循环中使用的一些概念。

损失函数

当输入一些训练数据时，未经训练的网络可能无法输出正确的答案。损失函数衡量估计值与目标值的差距，我们希望在训练过程中最小化损失。为了计算损失，我们使用给定数据样本作为输入进行预测，并将其与真实数据标签值进行比较。

常见的损失函数包括回归任务的nn.MSELoss（均方误差）和用于分类的 nn.NLLLoss（负对数似然）。nn.CrossEntropyLoss 由nn.LogSoftmax和nn.NLLLoss合成。（在后续文章再详细介绍。）

我们将模型的输出逻辑传递给nn.CrossEntropyLoss，它将规范化logits(模型的输出)并计算预测误差。

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。优化算法指定如何执行该过程（在本例中，我们使用随机梯度下降）。所有优化逻辑都封装在优化器对象中。这里，我们使用SGD优化器；此外，Pytorch中有许多不同的优化器，如Adam和RMSProp。（在后续文章再详细介绍。）

我们通过传递所需要训练的模型参数和学习率参数来初始化优化器。

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

完整实现

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

device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)

# ======================= 数据 =======================
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)


# ======================= 模型 =======================
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()

        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 = x.flatten(1)
        logits = self.linear_relu_stack(x)
        return logits


def train_loop(dataloader, model, loss_fn, optimizer):
    '''训练循环'''
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        X = X.to(device)
        y = y.to(device)
        # 计算估计值与损失
        pred = model(X)
        loss = loss_fn(pred, y)

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

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

def test_loop(dataloader, model, loss_fn):
    '''测试循环'''
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0

    with torch.no_grad():
        for X, y in dataloader:
            X = X.to(device)
            y = y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100 * correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

# 超参数 
learning_rate = 1e-3
batch_size = 64
epochs = 10

# 模型实例
model = NeuralNetwork().to(device)
# 损失函数实例
loss_fn = nn.CrossEntropyLoss()
# 优化器实例
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

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!")

参考：
[1] https://pytorch.org/tutorials/beginner/basics/optimization_tutorial.html