一、简化前馈网络LeNet
import torch as t
class LeNet(t.nn.Module):
def __init__(self):
super(LeNet, self).__init__()
self.features = t.nn.Sequential(
t.nn.Conv2d(3, 6, 5),
t.nn.ReLU(),
t.nn.MaxPool2d(2, 2),
t.nn.Conv2d(6, 16, 5),
t.nn.ReLU(),
t.nn.MaxPool2d(2, 2)
)
# 由于调整shape并不是一个class层，
# 所以在涉及这种操作（非nn.Module操作）需要拆分为多个模型
self.classifiter = t.nn.Sequential(
t.nn.Linear(16*5*5, 120),
t.nn.ReLU(),
t.nn.Linear(120, 84),
t.nn.ReLU(),
t.nn.Linear(84, 10)
)
def forward(self, x):
x = self.features(x)
x = x.view(-1, 16*5*5)
x = self.classifiter(x)
return x
net = LeNet()
二、优化器基本使用方法
- 建立优化器实例
- 循环：
- 清空梯度
- 向前传播
- 计算Loss
- 反向传播
- 更新参数
from torch import optim # 通常的step优化过程 optimizer = optim.SGD(params=net.parameters(), lr=1) optimizer.zero_grad() # net.zero_grad() input_ = t.autograd.Variable(t.randn(1, 3, 32, 32)) output = net(input_) output.backward(output) optimizer.step()
三、网络模块参数定制
为不同的子网络参数不同的学习率，finetune常用，使分类器学习率参数更高，学习速度更快（理论上）。
1.经由构建网络时划分好的模组进行学习率设定，
# # 直接对不同的网络模块制定不同学习率
optimizer = optim.SGD([{‘params‘: net.features.parameters()}, # 默认lr是1e-5
{‘params‘: net.classifiter.parameters(), ‘lr‘: 1e-2}], lr=1e-5)
2.以网络层对象为单位进行分组，并设定学习率
# # 以层为单位，为不同层指定不同的学习率
# ## 提取指定层对象
special_layers = t.nn.ModuleList([net.classifiter[0], net.classifiter[3]])
# ## 获取指定层参数id
special_layers_params = list(map(id, special_layers.parameters()))
print(special_layers_params)
# ## 获取非指定层的参数id
base_params = filter(lambda p: id(p) not in special_layers_params, net.parameters())
optimizer = t.optim.SGD([{‘params‘: base_params},
{‘params‘: special_layers.parameters(), ‘lr‘: 0.01}], lr=0.001)
四、在训练中动态的调整学习率
‘‘‘调整学习率‘‘‘
# 新建optimizer或者修改optimizer.params_groups对应的学习率
# # 新建optimizer更简单也更推荐，optimizer十分轻量级，所以开销很小
# # 但是新的优化器会初始化动量等状态信息，这对于使用动量的优化器（momentum参数的sgd）可能会造成收敛中的震荡
# ## optimizer.param_groups:长度2的list，optimizer.param_groups[0]：长度6的字典
print(optimizer.param_groups[0][‘lr‘])
old_lr = 0.1
optimizer = optim.SGD([{‘params‘: net.features.parameters()},
{‘params‘: net.classifiter.parameters(), ‘lr‘: old_lr*0.1}], lr=1e-5)
可以看到optimizer.param_groups结构，[{‘params‘,‘lr‘, ‘momentum‘, ‘dampening‘, ‘weight_decay‘, ‘nesterov‘},{……}]，集合了优化器的各项参数。
