pytorch系列(六)：各种优化器的性能比较

爱被打了一巴掌 2023-07-10 11:22 9阅读 0赞

import torch
    import torch.utils.data as Data
    import torch.nn.functional as f
    import matplotlib.pyplot as plt
    
    #指定超参数
    LR=0.01#学习率
    BATCH_SIZE=32#批数据的大小
    EPOCH=12#迭代次数
    
    #构造数据集
    x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
    y=x.pow(2)+0.1*(torch.normal(torch.zeros(*x.size())))
    
    
    #打印数据
    plt.scatter(x.data.numpy(),y.data.numpy(),c='r')
    plt.show()
    
    #使用dataloader工具进行数据的处理
    torch_dataset=Data.TensorDataset(x,y)#将x和y转换成torch可识别的数据集
    loader=Data.DataLoader(
        dataset=torch_dataset,
        batch_size=BATCH_SIZE,
        shuffle=True,
        num_workers=2
    )
    
    #构造网络结构并为每一个优化器优化一个神经网络
    class Net(torch.nn.Module):
        def __init__(self):
            super(Net,self).__init__()
            self.hidden=torch.nn.Linear(1,20)
            self.output=torch.nn.Linear(20,1)
        #前向传播
        def forward(self,x):
            x=f.relu(self.hidden(x))
            x=self.output(x)
            return x
    
    #每一个优化器对应一个网络结构
    net_SGD=Net()
    net_Momentum=Net()
    net_RMSprop=Net()
    net_Adam=Net()
    
    #放到一个列表中
    nets=[net_SGD,net_Momentum,net_RMSprop,net_Adam]
    
    
    #API化每一个优化器
    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))
    
    #用一个列表存放每一个优化器
    optimizers=[opt_SGD,opt_Momentum,opt_RMSprop,opt_Adam]
    #指定损失函数
    loss_func=torch.nn.MSELoss()
    #用一个两层列表记录各个优化器的loss
    loss_his=[[],[],[],[]]
    
    #训练  可视化
    for epoch in range(EPOCH):
        print(epoch)
        for step,(batch_x,batch_y) in enumerate(loader):
            
            #对于每一个优化器，优化他的神经网络
            for net,opt,l_his in zip(nets,optimizers,loss_his):
                output=net(batch_x)#对每一个网络丢入数据
                loss=loss_func(output,batch_y)#计算预测值和真实值之间的误差
                opt.zero_grad()#梯度清零
                loss.backward()#反向传播
                opt.step()#更新每一个参数
                l_his.append(loss.data.numpy())
    
    #可视化
    lables=["SGD","Momentum","RMSprop","Adam"]
    for i,l_his in enumerate(loss_his):#enumerate是列举，会迭代列表的中的每一个索引和每一项的值
        plt.plot(l_his,label=lables[i])
    plt.legend(loc=1)#legend是做一个图例说明  loc=1表示放在右边  详情看参数，label=lables[i]相对应
    plt.xlabel("steps")
    plt.ylabel("loss")
    plt.ylim((0,0.5))
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29fc29fZm5j_size_16_color_FFFFFF_t_70][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29fc29fZm5j_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200302110314884.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29fc29fZm5j,size_16,color_FFFFFF,t_70