pytorch中的優化器optimizer.param_groups用法
optimizer.param_groups
: 是長度為2的list,其中的元素是2個字典;
optimizer.param_groups[0]
: 長度為6的字典,包括[‘amsgrad’, ‘params’, ‘lr’, ‘betas’, ‘weight_decay’, ‘eps’]這6個參數;
optimizer.param_groups[1]
: 好像是表示優化器的狀態的一個字典;
import torch import torch.optim as optimh2 w1 = torch.randn(3, 3) w1.requires_grad = True w2 = torch.randn(3, 3) w2.requires_grad = True o = optim.Adam([w1]) print(o.param_groups)
[{'amsgrad': False, 'betas': (0.9, 0.999), 'eps': 1e-08, 'lr': 0.001, 'params': [tensor([[ 2.9064, -0.2141, -0.4037], [-0.5718, 1.0375, -0.6862], [-0.8372, 0.4380, -0.1572]])], 'weight_decay': 0}]
Per the docs, the add_param_group method accepts a param_group parameter that is a dict. Example of use:h2import torch import torch.optim as optimh2 w1 = torch.randn(3, 3) w1.requires_grad = True w2 = torch.randn(3, 3) w2.requires_grad = True o = optim.Adam([w1]) print(o.param_groups) givesh2[{'amsgrad': False, 'betas': (0.9, 0.999), 'eps': 1e-08, 'lr': 0.001, 'params': [tensor([[ 2.9064, -0.2141, -0.4037], [-0.5718, 1.0375, -0.6862], [-0.8372, 0.4380, -0.1572]])], 'weight_decay': 0}] nowh2o.add_param_group({'params': w2}) print(o.param_groups)
[{'amsgrad': False, 'betas': (0.9, 0.999), 'eps': 1e-08, 'lr': 0.001, 'params': [tensor([[ 2.9064, -0.2141, -0.4037], [-0.5718, 1.0375, -0.6862], [-0.8372, 0.4380, -0.1572]])], 'weight_decay': 0}, {'amsgrad': False, 'betas': (0.9, 0.999), 'eps': 1e-08, 'lr': 0.001, 'params': [tensor([[-0.0560, 0.4585, -0.7589], [-0.1994, 0.4557, 0.5648], [-0.1280, -0.0333, -1.1886]])], 'weight_decay': 0}]
# 動態修改學習率 for param_group in optimizer.param_groups: param_group["lr"] = lr # 得到學習率optimizer.param_groups[0]["lr"] h2# print('查看optimizer.param_groups結構:') # i_list=[i for i in optimizer.param_groups[0].keys()] # print(i_list) ['amsgrad', 'params', 'lr', 'betas', 'weight_decay', 'eps']
補充:pytorch中的優化器總結
以SGD優化器為例:
# -*- coding: utf-8 -*- #@Time :2019/7/3 22:31 #@Author :XiaoMa from torch import nn as nn import torch as t from torch.autograd import Variable as V #定義一個LeNet網絡 class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.features=nn.Sequential( nn.Conv2d(3,6,5), nn.ReLU(), nn.MaxPool2d(2,2), nn.Conv2d(6,16,5), nn.ReLU(), nn.MaxPool2d(2,3) ) self.classifier=nn.Sequential(\ nn.Linear(16*5*5,120), nn.ReLU(), nn.Linear(120,84), nn.ReLU(), nn.Linear(84,10) ) def forward(self, x): x=self.features(x) x=x.view(-1,16*5*5) x=self.classifier(x) return x net=Net() from torch import optim #優化器 optimizer=optim.SGD(params=net.parameters(),lr=1) optimizer.zero_grad() #梯度清零,相當於net.zero_grad() input=V(t.randn(1,3,32,32)) output=net(input) output.backward(output) #fake backward optimizer.step() #執行優化 #為不同子網絡設置不同的學習率,在finetune中經常用到 #如果對某個參數不指定學習率,就使用默認學習率 optimizer=optim.SGD( [{'param':net.features.parameters()}, #學習率為1e-5 {'param':net.classifier.parameters(),'lr':1e-2}],lr=1e-5 ) #隻為兩個全連接層設置較大的學習率,其餘層的學習率較小 special_layers=nn.ModuleList([net.classifier[0],net.classifier[3]]) special_layers_params=list(map(id,special_layers.parameters())) base_params=filter(lambda p:id(p) not in special_layers_params,net.parameters()) optimizer=t.optim.SGD([ {'param':base_params}, {'param':special_layers.parameters(),'lr':0.01} ],lr=0.001)
調整學習率主要有兩種做法。
一種是修改optimizer.param_groups中對應的學習率,另一種是新建優化器(更簡單也是更推薦的做法),由於optimizer十分輕量級,構建開銷很小,故可以構建新的optimizer。
但是新建優化器會重新初始化動量等狀態信息,這對使用動量的優化器來說(如自帶的momentum的sgd),可能會造成損失函數在收斂過程中出現震蕩。
如:
#調整學習率,新建一個optimizer old_lr=0.1 optimizer=optim.SGD([ {'param':net.features.parameters()}, {'param':net.classifiers.parameters(),'lr':old_lr*0.5}],lr=1e-5)
以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。
推薦閱讀:
- pytorch 優化器(optim)不同參數組,不同學習率設置的操作
- Pytorch 中的optimizer使用說明
- Pytorch中的學習率衰減及其用法詳解
- 聊聊pytorch中Optimizer與optimizer.step()的用法
- pytorch finetuning 自己的圖片進行訓練操作