莫凡Pytorch学习笔记（六）

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()