詳解PyTorch批訓練及最佳化器比較

本篇文章主要介紹了詳解PyTorch批訓練及最佳化器比較，詳細的介紹了什麼是PyTorch批訓練和PyTorch的Optimizer最佳化器，非常具有實用價值，需要的朋友可以參考下

一、PyTorch批訓練

1. 概述

PyTorch提供了一種將資料封裝起來進行批訓練的工具——DataLoader。使用的時候，只需要將我們的資料首先轉換為torch的tensor形式，再轉換成torch可以識別的Dataset格式，然後將Dataset放入DataLoader中就可以啦。

import torch import torch.utils.data as Data  torch.manual_seed(1) # 設定隨機數種子  BATCH_SIZE = 5  x = torch.linspace(1, 10, 10) y = torch.linspace(0.5, 5, 10)  # 將資料轉換為torch的dataset格式 torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)  # 將torch_dataset置入Dataloader中 loader = Data.DataLoader(   dataset=torch_dataset,   batch_size=BATCH_SIZE, # 批大小   # 若dataset中的樣本數不能被batch_size整除的話，最後剩餘多少就使用多少   shuffle=True, # 是否隨機打亂順序   num_workers=2, # 多線程讀取資料的線程數   )  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類用來將樣本及其標籤打包成torch的Dataset，data_tensor,和target_tensor都是tensor。

3. DataLoader

複製代碼 代碼如下:

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格式的對象；batch_size即每批訓練的樣本數量，預設為；shuffle表示是否需要隨機取樣本；num_workers表示讀取樣本的線程數。

二、PyTorch的Optimizer最佳化器

本實驗中，首先構造一組資料集，轉換格式共置於DataLoader中，備用。定義一個固定結構的預設神經網路，然後為每個最佳化器構建一個神經網路，每個神經網路的區別僅僅是最佳化器不同。通過記錄訓練過程中的loss值，最後在映像上呈現得到各個最佳化器的最佳化過程。

代碼實現：

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) # 設定隨機數種子  # 定義超參數 LR = 0.01 # 學習率 BATCH_SIZE = 32 # 批大小 EPOCH = 12 # 迭代次數  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()  # 將資料轉換為torch的dataset格式 torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y) # 將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  # 為每個最佳化器建立一個Net net_SGD = Net() net_Momentum = Net() net_RMSprop = Net() net_Adam = Net()  nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]  # 初始化最佳化器 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]  # 定義損失函數 loss_function = torch.nn.MSELoss() losses_history = [[], [], [], []] # 記錄training時不同神經網路的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()

實驗結果：

由實驗結果可見，SGD的最佳化效果是最差的，速度很慢；作為SGD的改良版本，Momentum表現就好許多；相比RMSprop和Adam的最佳化速度就非常好。實驗中，針對不同的最佳化問題，比較各個最佳化器的效果再來決定使用哪個。

三、其他補充

1. Python的zip函數

zip函數接受任意多個（包括0個和1個）序列作為參數，返回一個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)]