pytorch1.0進行Optimizer 優化器對比

 pytorch1.0進行Optimizer 優化器對比

import torch
import torch.utils.data as Data  # Torch 中提供了一種幫助整理數據結構的工具, 叫做 DataLoader, 能用它來包裝自己的數據, 進行批訓練.
import torch.nn.functional as F  # 包含激勵函數
import matplotlib.pyplot as plt

LR = 0.01   # 學習率
BATCH_SIZE = 32
EPOCH = 12

# 偽數據
# fake dataset
x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)
y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))

# plot dataset
plt.scatter(x.numpy(), y.numpy())
plt.show()

# DataLoader 是 torch 用來包裝開發者自己的數據的工具.
# 將自己的 (numpy array 或其他) 數據形式裝換成 Tensor, 然后再放進這個包裝器中.
# 使用 DataLoader 的好處就是他們幫你有效地迭代數據

# 先轉換成 torch 能識別的 Dataset
# put dateset into torch dataset
torch_dataset = Data.TensorDataset(x, y)
# 把 dataset 放入 DataLoader
loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2,) # 隨機打亂數據 (打亂比較好)

# 每個優化器優化一個神經網絡

# 默認的 network 形式
# default network
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(1, 20)   # hidden layer
        self.predict = torch.nn.Linear(20, 1)   # output layer

    def forward(self, x):
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        return x

# 創建不同的優化器, 用來訓練不同的網絡. 並創建一個 loss_func 用來計算誤差.
if __name__ == '__main__':
    # different nets
    net_SGD         = Net()
    net_Momentum    = Net()
    net_RMSprop     = Net()
    net_Adam        = Net()
    nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]

    # different optimizers
    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]

    loss_func = torch.nn.MSELoss()
    losses_his = [[], [], [], []]   # record loss

    # 訓練/出圖
    # training
    for epoch in range(EPOCH):
        print('Epoch: ', epoch)
        for step, (b_x, b_y) in enumerate(loader):          # for each training step
            # 對每個優化器, 優化屬於他的神經網絡
            for net, opt, l_his in zip(nets, optimizers, losses_his):
                output = net(b_x)                           # get output for every net
                loss = loss_func(output, b_y)               # compute loss for every net
                opt.zero_grad()                             # clear gradients for next train
                loss.backward()                             # backpropagation, compute gradients
                opt.step()                                  # apply gradients
                l_his.append(loss.data.numpy())             # loss recoder

    labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']
    for i, l_his in enumerate(losses_his):
        plt.plot(l_his, label=labels[i])
    plt.legend(loc='best')
    plt.xlabel('Steps')
    plt.ylabel('Loss')
    plt.ylim((0, 0.2))
    plt.show()

 

# SGD是最普通的優化器, 也可以說沒有加速效果, 而Momentum是SGD的改良版,它加入了動量原則.后面的RMSprop又是Momentum的升級版.
# 而Adam又是RMSprop的升級版.Adam的效果似乎比RMSprop要差一點.所以說並不是越先進的優化器, 結果越佳.
# 在自己的試驗中可以嘗試不同的優化器, 找到那個最適合你數據網絡的優化器.