pytorch 梯度下降
时间: 2023-10-18 07:25:45 浏览: 93
梯度下降.py
PyTorch中的梯度下降是一种优化算法,用于更新神经网络的参数以最小化损失函数。PyTorch提供了以下几种梯度下降的变种:
1. 批量梯度下降(Batch Gradient Descent):在每个训练迭代中,使用所有训练样本计算损失函数,并在整个数据集上更新模型参数。
2. 随机梯度下降(Stochastic Gradient Descent):在每个训练迭代中,随机选择一个样本计算损失函数,并更新模型参数。由于每次只使用一个样本,SGD的计算效率较高,但收敛速度较慢。
3. 小批量梯度下降(Mini-batch Gradient Descent):是批量梯度下降和随机梯度下降的折中方法。在每个训练迭代中,选择一个固定大小的小批量样本来计算损失函数并更新模型参数。小批量梯度下降通常比SGD更稳定,同时也比批量梯度下降更高效。
要在PyTorch中使用梯度下降,一般需要先定义一个优化器对象,例如使用torch.optim.SGD来创建一个随机梯度下降优化器。然后,在训练过程中,调用优化器的step()方法来执行参数更新。在每个迭代中,还需要计算损失函数关于参数的梯度,并使用backward()方法进行梯度回传。最后,使用optimizer.zero_grad()来清空梯度缓存。
下面是一个简单的例子,展示了如何在PyTorch中使用随机梯度下降:
```python
import torch
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的线性模型
model = nn.Linear(2, 1)
# 定义损失函数
loss_fn = nn.MSELoss()
# 定义随机梯度下降优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 模拟输入数据和目标标签
inputs = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
targets = torch.tensor([[3.0], [7.0]])
# 进行训练
for epoch in range(100):
# 前向传播计算预测值
outputs = model(inputs)
# 计算损失
loss = loss_fn(outputs, targets)
# 梯度清零
optimizer.zero_grad()
# 反向传播计算梯度
loss.backward()
# 更新模型参数
optimizer.step()
# 打印训练后的模型参数
print(model.weight)
print(model.bias)
```
在上述代码中,我们定义了一个简单的线性模型、均方误差损失函数和随机梯度下降优化器。然后,我们使用输入数据和目标标签进行训练,通过调用optimizer.step()来更新模型参数,最后打印出训练后的模型参数。
阅读全文