主頁(yè) > 知識(shí)庫(kù) > pytorch 優(yōu)化器(optim)不同參數(shù)組,不同學(xué)習(xí)率設(shè)置的操作

pytorch 優(yōu)化器(optim)不同參數(shù)組,不同學(xué)習(xí)率設(shè)置的操作

熱門(mén)標(biāo)簽:唐山智能外呼系統(tǒng)一般多少錢(qián) 海南400電話如何申請(qǐng) 哈爾濱ai外呼系統(tǒng)定制 激戰(zhàn)2地圖標(biāo)注 騰訊外呼線路 白銀外呼系統(tǒng) 陜西金融外呼系統(tǒng) 廣告地圖標(biāo)注app 公司電話機(jī)器人

optim 的基本使用

for do:

1. 計(jì)算loss

2. 清空梯度

3. 反傳梯度

4. 更新參數(shù)

optim的完整流程

cifiron = nn.MSELoss()
optimiter = torch.optim.SGD(net.parameters(),lr=0.01,momentum=0.9)
for i in range(iters):
    out = net(inputs)
    loss = cifiron(out,label)
    optimiter.zero_grad()  # 清空之前保留的梯度信息
    loss.backward()   # 將mini_batch 的loss 信息反傳回去
 optimiter.step()  # 根據(jù) optim參數(shù) 和 梯度 更新參數(shù)  w.data -= w.grad*lr

網(wǎng)絡(luò)參數(shù) 默認(rèn)使用統(tǒng)一的 優(yōu)化器參數(shù)

如下設(shè)置 網(wǎng)絡(luò)全局參數(shù) 使用統(tǒng)一的優(yōu)化器參數(shù)

optimiter = torch.optim.Adam(net.parameters(),lr=0.01,momentum=0.9)

如下設(shè)置將optimizer的可更新參數(shù)分為不同的三組,每組使用不同的策略

   optimizer = torch.optim.SGD([
            {'params': other_params}, 
            {'params': first_params, 'lr': 0.01*args.learning_rate},
            {'params': second_params, 'weight_decay': args.weight_decay}],
            lr=args.learning_rate,
            momentum=args.momentum,
    )

我們追溯一下構(gòu)造Optim的過(guò)程

為了更好的看整個(gè)過(guò)程,去掉了很多 條件判斷 語(yǔ)句,如 >0 0

# 首先是 子類(lèi)Adam 的構(gòu)造函數(shù)
class Adam(Optimizer):
    def __init__(self, params, lr=1e-3, betas=(0.9, 0.999), eps=1e-8,
                 weight_decay=0, amsgrad=False):
        defaults = dict(lr=lr, betas=betas, eps=eps,
                        weight_decay=weight_decay, amsgrad=amsgrad)
        '''
        構(gòu)造了 參數(shù)params,可以有兩種傳入格式,分別對(duì)應(yīng) 
        1. 全局參數(shù) net.parameters() 
        2. 不同參數(shù)組 [{'params': other_params}, 
                      {'params': first_params, 'lr': 0.1*lr}]
        和 全局> 的默認(rèn)參數(shù)字典defaults
        '''
        # 然后調(diào)用 父類(lèi)Optimizer 的構(gòu)造函數(shù)
        super(Adam, self).__init__(params, defaults)
        
# 看一下 Optim類(lèi)的構(gòu)造函數(shù)  只有兩個(gè)輸入 params 和 defaults
class Optimizer(object):
    def __init__(self, params, defaults):
        torch._C._log_api_usage_once("python.optimizer")
        self.defaults = defaults
		
        self.state = defaultdict(dict)
        self.param_groups = [] # 自身構(gòu)造的參數(shù)組,每個(gè)組使用一套參數(shù)
		
        param_groups = list(params)
        if len(param_groups) == 0:
            raise ValueError("optimizer got an empty parameter list")
        # 如果傳入的net.parameters(),將其轉(zhuǎn)換為 字典
        if not isinstance(param_groups[0], dict):
            param_groups = [{'params': param_groups}]
		
        for param_group in param_groups:
        #add_param_group 這個(gè)函數(shù),主要是處理一下每個(gè)參數(shù)組其它屬性參數(shù)(lr,eps)
            self.add_param_group(param_group)
	def add_param_group(self, param_group):
        # 如果當(dāng)前 參數(shù)組中 不存在默認(rèn)參數(shù)的設(shè)置,則使用全局參數(shù)屬性進(jìn)行覆蓋
        '''
        [{'params': other_params}, 
         {'params': first_params, 'lr': 0.1*lr}]
         如第一個(gè)參數(shù)組 只提供了參數(shù)列表,沒(méi)有其它的參數(shù)屬性,則使用全局屬性覆蓋,第二個(gè)參數(shù)組 則設(shè)置了自身的lr為全局 (0.1*lr)
        '''
        for name, default in self.defaults.items():
            if default is required and name not in param_group:
                raise ValueError("parameter group didn't specify a value of required optimization parameter " +
                                 name)
            else:
                param_group.setdefault(name, default)
		# 判斷 是否有一個(gè)參數(shù) 出現(xiàn)在不同的參數(shù)組中,否則會(huì)報(bào)錯(cuò)
        param_set = set()
        for group in self.param_groups:
            param_set.update(set(group['params']))
        if not param_set.isdisjoint(set(param_group['params'])):
            raise ValueError("some parameters appear in more than one parameter group")
		# 然后 更新自身的參數(shù)組中
        self.param_groups.append(param_group)

網(wǎng)絡(luò)更新的過(guò)程(Step)

具體實(shí)現(xiàn)

1、我們拿SGD舉例,首先看一下,optim.step 更新函數(shù)的具體操作

2、可見(jiàn),for group in self.param_groups,optim中存在一個(gè)param_groups的東西,其實(shí)它就是我們傳進(jìn)去的param_list,比如我們上面?zhèn)鬟M(jìn)去一個(gè)長(zhǎng)度為3的param_list,那么 len(optimizer.param_groups)==3 , 而每一個(gè) group 又是一個(gè)dict, 其中包含了 每組參數(shù)所需的必要參數(shù) optimizer.param_groups:長(zhǎng)度2的list,optimizer.param_groups[0]:長(zhǎng)度6的字典

3、然后取回每組 所需更新的參數(shù)for p in group['params'] ,根據(jù)設(shè)置 計(jì)算其 正則化 及 動(dòng)量累積,然后更新參數(shù) w.data -= w.grad*lr

def step(self, closure=None):
        loss = None
        if closure is not None:
            loss = closure()
        for group in self.param_groups:
        	# 本組參數(shù)更新所必需的 參數(shù)設(shè)置
            weight_decay = group['weight_decay']
            momentum = group['momentum']
            dampening = group['dampening']
            nesterov = group['nesterov']
            for p in group['params']:  # 本組所有需要更新的參數(shù) params
                if p.grad is None:  # 如果沒(méi)有梯度 則直接下一步
                    continue
                d_p = p.grad.data
                # 正則化 及 動(dòng)量累積 操作
                if weight_decay != 0:
                    d_p.add_(weight_decay, p.data)
                if momentum != 0:
                    param_state = self.state[p]
                    if 'momentum_buffer' not in param_state:
                        buf = param_state['momentum_buffer'] = torch.clone(d_p).detach()
                    else:
                        buf = param_state['momentum_buffer']
                        buf.mul_(momentum).add_(1 - dampening, d_p)
                    if nesterov:
                        d_p = d_p.add(momentum, buf)
                    else:
                        d_p = buf
				# 當(dāng)前組 學(xué)習(xí)參數(shù) 更新  w.data -= w.grad*lr
                p.data.add_(-group['lr'], d_p)
        return loss

如何獲取指定參數(shù)

1、可以使用model.named_parameters() 取回所有參數(shù),然后設(shè)定自己的篩選規(guī)則,將參數(shù)分組

2、取回分組參數(shù)的id map(id, weight_params_list)

3、取回剩余分特殊處置參數(shù)的id other_params = list(filter(lambda p: id(p) not in params_id, all_params))

    all_params = model.parameters()
    weight_params = []
    quant_params = []
    # 根據(jù)自己的篩選規(guī)則  將所有網(wǎng)絡(luò)參數(shù)進(jìn)行分組
    for pname, p in model.named_parameters():
        if any([pname.endswith(k) for k in ['cw', 'dw', 'cx', 'dx', 'lamb']]):
            quant_params += [p]
        elif ('conv' or 'fc' in pname and 'weight' in pname):
            weight_params += [p]    
	# 取回分組參數(shù)的id
    params_id = list(map(id, weight_params)) + list(map(id, quant_params))
    # 取回剩余分特殊處置參數(shù)的id
    other_params = list(filter(lambda p: id(p) not in params_id, all_params))
	# 構(gòu)建不同學(xué)習(xí)參數(shù)的優(yōu)化器
	optimizer = torch.optim.SGD([
            {'params': other_params}, 
            {'params': quant_params, 'lr': 0.1*args.learning_rate},
            {'params': weight_params, 'weight_decay': args.weight_decay}],
            lr=args.learning_rate,
            momentum=args.momentum,
    )

獲取指定層的參數(shù)id

# # 以層為單位,為不同層指定不同的學(xué)習(xí)率
# ## 提取指定層對(duì)象
special_layers = t.nn.ModuleList([net.classifiter[0], net.classifiter[3]])
# ## 獲取指定層參數(shù)id
special_layers_params = list(map(id, special_layers.parameters()))
print(special_layers_params)
# ## 獲取非指定層的參數(shù)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)

補(bǔ)充:【pytorch】篩選凍結(jié)部分網(wǎng)絡(luò)層參數(shù)同時(shí)設(shè)置有參數(shù)組的時(shí)候該怎么辦?

在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時(shí)候,常常需要凍結(jié)部分網(wǎng)絡(luò)層的參數(shù),不想讓他們回傳梯度。這個(gè)其實(shí)很簡(jiǎn)單,其他博客里教程很多~

那如果,我想對(duì)不同的參數(shù)設(shè)置不同的學(xué)習(xí)率呢?這個(gè)其他博客也有,設(shè)置參數(shù)組就好啦,優(yōu)化器就可以分別設(shè)置學(xué)習(xí)率了。

那么,如果我同時(shí)想凍結(jié)參數(shù)和設(shè)置不同的學(xué)習(xí)率呢?是不是把兩個(gè)人給合起來(lái)就好了?好的那你試試吧看看行不行。

我最近工作中需要對(duì)two-stream的其中的一只進(jìn)行凍結(jié),并且設(shè)置不同的學(xué)習(xí)率。下面記錄一下我踩的坑。

首先,我們需要篩選所需要的層。我想要把名字里含有特定符號(hào)的層給篩選出來(lái)。在這里我要強(qiáng)烈推薦這個(gè)利用正則表達(dá)式來(lái)進(jìn)行字符串篩選的方式!

import re
str = 'assdffggggg'
word = 'a'
 a = [m.start() for m in re.finditer(word, str)]

這里的a是一個(gè)列表,它里面包含的是word在字符串str中所在的位置,這里自然就是0了。

在進(jìn)行網(wǎng)絡(luò)層參數(shù)凍結(jié)的時(shí)候,網(wǎng)上會(huì)有兩種for循環(huán):

for name, p in net.named_parameters():
for p in net.parameters():

這兩種都行,但是對(duì)于需要對(duì)特定名稱(chēng)的網(wǎng)絡(luò)層進(jìn)行凍結(jié)的時(shí)候就需要選第一個(gè)啦,因?yàn)槲覀冃枰玫絽?shù)的"name"屬性。

下面就是簡(jiǎn)單的篩選和凍結(jié),和其他教程里面的一樣:

word1 = 'seg'
for name, p in decode_net.named_parameters():
    str = name
    a = [m.start() for m in re.finditer(word1, str)]
    if a: #列表a不為空的話就設(shè)置回傳的標(biāo)識(shí)為False
        p.requires_grad = False
    else:
        p.requires_grad = True
    #if p.requires_grad:#這個(gè)判斷可以打印出需要回傳梯度的層的名稱(chēng)
        #print(name)

到這里我們就完成了網(wǎng)絡(luò)參數(shù)的凍結(jié)。我真正想要分享的在下面這個(gè)部分!!看了四天的大坑!

凍結(jié)部分層的參數(shù)之后,我們?cè)谑褂脙?yōu)化器的時(shí)候就需要先把不需要回傳梯度的參數(shù)給過(guò)濾掉,如果不過(guò)濾就會(huì)報(bào)錯(cuò),優(yōu)化器就會(huì)抱怨你怎么把不需要優(yōu)化的參數(shù)給放進(jìn)去了balabala的。所以我們加一個(gè):

optimizer = optim.SGD(
            filter(lambda p: p.requires_grad, net.parameters()),  # 記住一定要加上filter(),不然會(huì)報(bào)錯(cuò)
            lr=0.01, weight_decay=1e-5, momentum=0.9)

到這里也沒(méi)有任何的問(wèn)題。但是!我做分割的encode部分是pre-trained的resnet,這部分我的學(xué)習(xí)率不想和我decode的部分一樣??!不然我用pre-trained的有啥用??so,我劃分了一個(gè)參數(shù)組:

base_params_id = list(map(id, net.conv1.parameters())) + list(map(id,net.bn1.parameters()))+\

 list(map(id,net.layer1.parameters())) + list(map(id,net.layer2.parameters())) \

  + list(map(id,net.layer3.parameters())) + list(map(id,net.layer4.parameters()))
new_params = filter(lambda p: id(p) not in base_params_id , net.parameters())
base_params = filter(lambda p: id(p) in base_params_id, net.parameters())

好了,那么這個(gè)時(shí)候,如果我先不考慮過(guò)濾的話,優(yōu)化器的設(shè)置應(yīng)該是這樣的:

optimizerG = optim.SGD([{'params': base_params, 'lr': 1e-4}, 
                        {'params': new_params}], lr = opt.lr, momentum = 0.9, weight_decay=0.0005)

那么,按照百度出來(lái)的教程,我下一步要加上過(guò)濾器的話是不是應(yīng)該:

optimizerG = optim.SGD( filter(lambda p: p.requires_grad, net.parameters()),
      [{'params': base_params, 'lr': 1e-4}, 
                        {'params': new_params}], lr = opt.lr, momentum = 0.9, weight_decay=0.0005)

好的看起來(lái)沒(méi)有任何的問(wèn)題,但是運(yùn)行的時(shí)候就開(kāi)始報(bào)錯(cuò):

就是這里??!一個(gè)剛開(kāi)始用pytorch的我!什么都不懂!然后我看了四天!!最后查閱了官方文檔才知道為什么報(bào)錯(cuò)。以后看到這種提示init函數(shù)錯(cuò)誤的都要記得去官方doc上看說(shuō)明。

這里其實(shí)寫(xiě)的很清楚了,SGD優(yōu)化器每個(gè)位置都是什么參數(shù)。到這里應(yīng)該已經(jīng)能看出來(lái)哪里有問(wèn)題了吧?

optimizerG = optim.SGD( filter(lambda p: p.requires_grad, net.parameters()),
      [{'params': base_params, 'lr': 1e-4}, 
                        {'params': new_params}], lr = opt.lr, momentum = 0.9, weight_decay=0.0005)

看我的SGD函數(shù)每個(gè)參數(shù)的位置,第一個(gè)放的是過(guò)濾器,第二個(gè)是參數(shù)組,然后是lr,對(duì)比官方的定義:第一個(gè)參數(shù),第二個(gè)是lr等等。

所以錯(cuò)誤就在這里!我第一個(gè)位置放了過(guò)濾器!第二個(gè)位置是參數(shù)組!所以他把過(guò)濾器當(dāng)作參數(shù),參數(shù)組當(dāng)作學(xué)習(xí)率,然后就報(bào)錯(cuò)說(shuō)lr接受到很多個(gè)值……

仔細(xì)去看其他博客的教程,基本是只有分參數(shù)組的優(yōu)化器設(shè)置和凍結(jié)層了之后優(yōu)化器的設(shè)置。沒(méi)有又分參數(shù)組又凍結(jié)部分層參數(shù)的設(shè)置。所以設(shè)置過(guò)濾器把不需要優(yōu)化的參數(shù)給踢掉這個(gè)步驟還是要的,但是在現(xiàn)在這種情況下不應(yīng)該放在SGD里!

new_params = filter(lambda p: id(p) not in base_params_id and p.requires_grad,\

    netG.parameters())
base_params = filter(lambda p: id(p) in base_params_id,
                     netG.parameters())     

應(yīng)該在劃分參數(shù)組的時(shí)候就添加過(guò)濾器,將不需要回傳梯度的參數(shù)過(guò)濾掉(這里就是直接篩選p.requires_grad即可)。如此便可以順利凍結(jié)參數(shù)并且設(shè)置參數(shù)組啦!

以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教。

您可能感興趣的文章:
  • 在pytorch中動(dòng)態(tài)調(diào)整優(yōu)化器的學(xué)習(xí)率方式
  • 淺談Pytorch torch.optim優(yōu)化器個(gè)性化的使用
  • pytorch 實(shí)現(xiàn)在一個(gè)優(yōu)化器中設(shè)置多個(gè)網(wǎng)絡(luò)參數(shù)的例子
  • 詳解PyTorch批訓(xùn)練及優(yōu)化器比較
  • pytorch中的優(yōu)化器optimizer.param_groups用法

標(biāo)簽:黑龍江 益陽(yáng) 常德 四川 惠州 上海 黔西 鷹潭

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《pytorch 優(yōu)化器(optim)不同參數(shù)組,不同學(xué)習(xí)率設(shè)置的操作》,本文關(guān)鍵詞  pytorch,優(yōu)化,器,optim,不同,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《pytorch 優(yōu)化器(optim)不同參數(shù)組,不同學(xué)習(xí)率設(shè)置的操作》相關(guān)的同類(lèi)信息!
  • 本頁(yè)收集關(guān)于pytorch 優(yōu)化器(optim)不同參數(shù)組,不同學(xué)習(xí)率設(shè)置的操作的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章