PyTorch批训练及优化器使用

一、PyTorch批训练

1. 概述

PyTorch提供了一种将数据包装起来进行批训练的工具——DataLoader。使用的时候，只需要将我们的数据首先转换为torch的tensor形式，再转换成torch可以识别的Dataset格式，然后将Dataset放入DataLoader中就可以啦。

import torch
import torch.utils.data as Data
  
torch.manual_seed(1) # 设定随机数种子
  
BATCH_SIZE = 5
  
x = torch.linspace(1, 10, 10)
y = torch.linspace(0.5, 5, 10)
  
# 将数据转换为torch的dataset格式
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)
  
# 将torch_dataset置入Dataloader中
loader = Data.DataLoader(
  dataset=torch_dataset,
  batch_size=BATCH_SIZE, # 批大小
  # 若dataset中的样本数不能被batch_size整除的话，最后剩余多少就使用多少
  shuffle=True, # 是否随机打乱顺序
  num_workers=2, # 多线程读取数据的线程数
  )
  
for epoch in range(3):
  for step, (batch_x, batch_y) in enumerate(loader):
    print('Epoch:', epoch, '|Step:', step, '|batch_x:',
       batch_x.numpy(), '|batch_y', batch_y.numpy())
'''''
shuffle=True
Epoch: 0 |Step: 0 |batch_x: [ 6. 7. 2. 3. 1.] |batch_y [ 3.  3.5 1.  1.5 0.5]
Epoch: 0 |Step: 1 |batch_x: [ 9. 10.  4.  8.  5.] |batch_y [ 4.5 5.  2.  4.  2.5]
Epoch: 1 |Step: 0 |batch_x: [ 3.  4.  2.  9. 10.] |batch_y [ 1.5 2.  1.  4.5 5. ]
Epoch: 1 |Step: 1 |batch_x: [ 1. 7. 8. 5. 6.] |batch_y [ 0.5 3.5 4.  2.5 3. ]
Epoch: 2 |Step: 0 |batch_x: [ 3. 9. 2. 6. 7.] |batch_y [ 1.5 4.5 1.  3.  3.5]
Epoch: 2 |Step: 1 |batch_x: [ 10.  4.  8.  1.  5.] |batch_y [ 5.  2.  4.  0.5 2.5]
  
shuffle=False
Epoch: 0 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]
Epoch: 0 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]
Epoch: 1 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]
Epoch: 1 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]
Epoch: 2 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]
Epoch: 2 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]
'''

2. TensorDataset

```
classtorch.utils.data.TensorDataset(data_tensor, target_tensor)
```
TensorDataset类用来将样本及其标签打包成torch的Dataset，data_tensor,和target_tensor都是tensor 3. DataLoader
复制代码代码如下:

classtorch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,num_workers=0, collate_fn=<function default_collate>, pin_memory=False,drop_last=False)

dataset就是Torch的Dataset格式的对象；batch_size即每批训练的样本数量，默认为；shuffle表示是否需要随机取样本；num_workers表示读取样本的线程数。

二、PyTorch的Optimizer优化器

本实验中，首先构造一组数据集，转换格式并置于DataLoader中，备用。定义一个固定结构的默认神经网络，然后为每个优化器构建一个神经网络，每个神经网络的区别仅仅是优化器不同。通过记录训练过程中的loss值，最后在图像上呈现得到各个优化器的优化过程。

代码实现：

import torch
import torch.utils.data as Data
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
torch.manual_seed(1) # 设定随机数种子
  
# 定义超参数
LR = 0.01 # 学习率
BATCH_SIZE = 32 # 批大小
EPOCH = 12 # 迭代次数
  
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))
  
#plt.scatter(x.numpy(), y.numpy())
#plt.show()
  
# 将数据转换为torch的dataset格式
torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)
# 将torch_dataset置入Dataloader中
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE,
             shuffle=True, num_workers=2)
  
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
  
# 为每个优化器创建一个Net
net_SGD = Net()
net_Momentum = Net()
net_RMSprop = Net()
net_Adam = Net() 
nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]
  
# 初始化优化器
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]
  
# 定义损失函数
loss_function = torch.nn.MSELoss()
losses_history = [[], [], [], []] # 记录training时不同神经网络的loss值
  
for epoch in range(EPOCH):
  print('Epoch:', epoch + 1, 'Training...')
  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_history):
      output = net(b_x)
      loss = loss_function(output, b_y)
      opt.zero_grad()
      loss.backward()
      opt.step()
      l_his.append(loss.data[0])
  
labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
  
for i, l_his in enumerate(losses_history):
  plt.plot(l_his, label=labels[i])
plt.legend(loc='best')
plt.xlabel('Steps')
plt.ylabel('Loss')
plt.ylim((0, 0.2))
plt.show()

实验结果：

PyTorch批训练及优化器使用

由实验结果可见，SGD的优化效果是最差的，速度很慢；作为SGD的改良版本，Momentum表现就好许多；相比RMSprop和Adam的优化速度就非常好。实验中，针对不同的优化问题，比较各个优化器的效果再来决定使用哪个。

三、其他补充

1. Python的zip函数

zip函数接受任意多个（包括0个和1个）序列作为参数，返回一个tuple列表。

x = [1, 2, 3]
y = [4, 5, 6]
z = [7, 8, 9]
xyz = zip(x, y, z)
print xyz
[(1, 4, 7), (2, 5, 8), (3, 6, 9)]
  
x = [1, 2, 3]
x = zip(x)
print x
[(1,), (2,), (3,)]
  
x = [1, 2, 3]
y = [4, 5, 6, 7]
xy = zip(x, y)
print xy
[(1, 4), (2, 5), (3, 6)]

torch.optim.SGD(params, lr=<object object>, momentum=0, dampening=0, weight_decay=0, nesterov=False)

1 实现随机梯度下降算法（ momentum 可选）
Args:
params(iterable): 待优化的迭代参数或者是定义了参数组的 dict eg: model.parameters()
lr (float): 学习率
dampening(float, optional): 动量的抑制因子 (默认值: 0)
weight_decay(float, optional): 权重衰减 (L2 正则化) (默认值: 0)
nesterov (bool, optional): 使用 Nesterov 动量 (默认值: False)

torch.optim.RMSprop(params, lr=0.01, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False)

实现 RMSprop 算法.
Args:
alpha(float, optional): 平滑常量 (default: 0.99)
eps(float, optional): 为了增加数值计算的稳定性而加到分母里的项 (默认值: 1e-8)
centered (bool, optional) : 如果为 True, 计算 RMSProp 的中值, 并且用它的方差预测值对梯度进行归一化

```
torch.optim.Adamax(params, lr=0.002, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)
```
实现 Adamax 算法 ( Adam 的一种基于无穷范数的变种).
Args:
betas (Tuple[float, float], optional): 用来计算梯度和平方梯度的系数
参考链接：https://blog.****.net/Prayer_08/article/details/82082194
http://m.php.cn/article/394629.html

PyTorch批训练及优化器使用

相关推荐