莫凡Pytorch学习笔记(六)

2024-06-07 23:58
文章标签 学习 笔记 pytorch 莫凡

本文主要是介绍莫凡Pytorch学习笔记(六),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Pytorch中的mini-batch和优化器

本篇笔记主要对应于莫凡Pytorch中的3.5和3.6节。主要讲了如何使用Pytorch中的mini-batch和优化器。

Pytorch中的mini-batch

在笔记二、三中搭建的网络中,我们是一次性直接将整个训练集送进网络,这种方式称为Full Batch Learning。但是当数据量很大时,首先一次性加载这么多数据收到了内存的限制,同时由于要计算每个样例的梯度,计算速度也会下降。

那么我们是否可以每次只用一条样例数据进行训练呢。答案是可以的,但是这样每次的随机性太大,这种方法称为随机梯度下降法。这种方法永远不会收敛,而是会一直在最小值附近波动。

所以,取一个折中的做法是选取一个合理的batch_size大小进行训练,每次从整个训练集中拿出一部分来训练。

这里我们简单展示Pytorch中的mini-batch操作如何进行。首先我们需要导入Data模块

import torch
import torch.utils.data as Data

设置超参数BATCH_SIZE

BATCH_SIZE = 8

生成训练数据,这里直接生成了10个整数作为训练数据。

x = torch.linspace(1, 10, 10)
y = torch.linspace(10, 1, 10)

接下来,我们进行batch的一些设置

torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(dataset = torch_dataset,    # 要划分的数据集batch_size = BATCH_SIZE,    # 所设置的batch大小,一般2的次方倍会有助于快速计算shuffle = True,             # 是否打乱,打乱更有助于训练num_workers = 2,            # 所使用的线程数目
)

使用mini-batch的展示,这里当最后一个分组不够时,会只用剩下的那些

Epoch:  0 | Step:  0 | batch x:  [ 9. 10.  8.  3.  5.  6.  1.  4.] | batch y:  [ 2.  1.  3.  8.  6.  5. 10.  7.]
Epoch:  0 | Step:  1 | batch x:  [7. 2.] | batch y:  [4. 9.]
Epoch:  1 | Step:  0 | batch x:  [3. 7. 2. 8. 4. 1. 6. 5.] | batch y:  [ 8.  4.  9.  3.  7. 10.  5.  6.]
Epoch:  1 | Step:  1 | batch x:  [ 9. 10.] | batch y:  [2. 1.]
Epoch:  2 | Step:  0 | batch x:  [4. 5. 8. 7. 2. 1. 3. 6.] | batch y:  [ 7.  6.  3.  4.  9. 10.  8.  5.]
Epoch:  2 | Step:  1 | batch x:  [ 9. 10.] | batch y:  [2. 1.]

不同优化器的对比

我们对比几种不同的优化器性能。这里主要对比四种不同的优化器:

  • SGD(随机梯度下降)
  • Momentum(动量梯度下降)
  • RMSprop(root mean square)
  • Adam(Adaptive Moment Estimation)

首先,我们导入相关的库和设置超参数

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

这里学习率设置为0.01,Batch_size设置为32,设置12个Epoch。

LR = 0.01
BATCH_SIZE = 32
EPOCH = 12

接着我们生成和展示训练数据

x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size()))# plot dataset
plt.scatter(x.numpy(), y.numpy())
plt.show()

效果如下:
Data

然后,我们使用mini-batch进行数据集划分

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

并搭建网络

# default network
class Net(torch.nn.Module):def __init__(self, n_feature, n_hidden, n_prediction):super(Net, self).__init__()self.hidden = torch.nn.Linear(n_feature, n_hidden)self.prediction = torch.nn.Linear(n_hidden, n_prediction)def forward(self, x):x = F.relu(self.hidden(x))y = self.prediction(x)return y

接着,我们生成使用不同优化器的网络

# different nets
net_SGD = Net(1, 20, 1)
net_Momentum = Net(1, 20, 1)
net_RMSprop = Net(1, 20, 1)
net_Adam = Net(1, 20, 1)nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]
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 = [[], [], [], []]   # record loss

最后,进行训练输出中间结果

for epoch in range(EPOCH):print("epoch: ", epoch)for step, (batch_x, batch_y) in enumerate(loader):b_x = Variable(batch_x)b_y = Variable(batch_y)for net, opt, l_his in zip(nets, optimizers, losses_his):output = net(b_x)               # get output for every netloss = loss_func(output, b_y)   # compute loss for every netopt.zero_grad()                 # clear gradients for next trainloss.backward()                 # backpropagation, compute gradientsopt.step()                      # apply gradientsl_his.append(loss.data)      # loss recorderlabels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
for i, l_his in enumerate(losses_his):plt.plot(l_his, label=labels[i])
plt.legend(loc='best')
plt.xlabel('Steps')
plt.ylabel('Loss')
plt.ylim((0, 0.2))
plt.show()

最后,得到的展示输出如下:

result
可以看到,Adam和RMSprop效果相仿,最好。SGD效果最差,加入动量后其效果有所改善。

参考

  1. 莫凡Python:Pytorch动态神经网络,https://mofanpy.com/tutorials/machine-learning/torch/

这篇关于莫凡Pytorch学习笔记(六)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1040667

相关文章

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

pytorch+torchvision+python版本对应及环境安装

《pytorch+torchvision+python版本对应及环境安装》本文主要介绍了pytorch+torchvision+python版本对应及环境安装,安装过程中需要注意Numpy版本的降级,... 目录一、版本对应二、安装命令(pip)1. 版本2. 安装全过程3. 命令相关解释参考文章一、版本对

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

从零教你安装pytorch并在pycharm中使用

《从零教你安装pytorch并在pycharm中使用》本文详细介绍了如何使用Anaconda包管理工具创建虚拟环境,并安装CUDA加速平台和PyTorch库,同时在PyCharm中配置和使用PyTor... 目录背景介绍安装Anaconda安装CUDA安装pytorch报错解决——fbgemm.dll连接p

pycharm远程连接服务器运行pytorch的过程详解

《pycharm远程连接服务器运行pytorch的过程详解》:本文主要介绍在Linux环境下使用Anaconda管理不同版本的Python环境,并通过PyCharm远程连接服务器来运行PyTorc... 目录linux部署pytorch背景介绍Anaconda安装Linux安装pytorch虚拟环境安装cu

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

PyTorch使用教程之Tensor包详解

《PyTorch使用教程之Tensor包详解》这篇文章介绍了PyTorch中的张量(Tensor)数据结构,包括张量的数据类型、初始化、常用操作、属性等,张量是PyTorch框架中的核心数据结构,支持... 目录1、张量Tensor2、数据类型3、初始化(构造张量)4、常用操作5、常用属性5.1 存储(st

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用