OPTIMIZING MODEL PARAMETERS （模型参数优化）

现在我们有了模型和数据，是时候通过优化数据上的参数来训练了，验证和测试我们的模型。训练一个模型是一个迭代的过程，在每次迭代中，模型会对输出进行猜测，计算猜测数据与真实数据的误差（损失），收集误差对其参数的导数（正如前一节我们看到的那样），并使用梯度下降优化这些参数。

Prerequisite Code ( 先决代码 )

We load the code from the previous sections on

我们从前面的章节中直接加载这些代码。Datasets-DataLoader ，构建模型

import torch 
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

training_data = datasets.FashionMNIST(
    root = "../../data/",
    train = True,
    download = True, 
    transform = transforms.ToTensor()
)

test_data = datasets.FashionMNIST(
    root = "../../data/",
    train = False,
    download = True, 
    transform = transforms.ToTensor()
)

train_dataloader = DataLoader(training_data, batch_size = 32, shuffle = True)
test_dataloader = DataLoader(test_data, batch_size = 32, shuffle = True)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28 * 28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)  
        )
  
    def forward(self, x):
        out = self.flatten(x)
        out = self.linear_relu_stack(out)
        return out


model = NeuralNetwork()

Hyperparameters ( 超参数 )

超参数是可调节的参数，允许控制模型优化过程，不同的超参数会影响模型的训练和收敛速度。read more

我们定义如下的超参数进行训练：

• Number of Epochs: 遍历数据集的次数
• Batch Size: 每一次使用的数据集大小，即每一次用于训练的样本数量
• Learning Rate: 每个 batch/epoch 更新模型参数的速度，较小的值会导致较慢的学习速度，而较大的值可能会导致训练过程中不可预测的行为，例如训练抖动频繁，有可能会发散等。

learning_rate = 1e-3
batch_size = 32
epochs = 5

Optimization Loop ( 优化循环 )

我们设置完超参数后，就可以利用优化循环训练和优化模型；优化循环的每次迭代称为一个 epoch, 每个 epoch 包含两个主要部分：

• The Train Loop: 遍历训练数据集并尝试收敛到最优参数。
• The Validation/Test Loop: 验证/测试循环—遍历测试数据集以检查模型性能是否得到改善。

让我们简单地熟悉一下训练循环中使用的一些概念。跳转到前面以查看优化循环的完整实现。

Loss Function ( 损失函数 )

当给出一些训练数据时，我们未经训练的网络可能不会给出正确的答案。 Loss function 衡量的是得到的结果与目标值的不相似程度，是我们在训练过程中想要最小化的 Loss function。为了计算 loss ，我们使用给定数据样本的输入进行预测，并将其与真实的数据标签值进行比较。

常见的损失函数包括nn.MSELoss (均方误差)用于回归任务，nn.NLLLoss(负对数似然)用于分类神经网络。nn.CrossEntropyLoss 结合 nn.LogSoftmax 和 nn.NLLLoss 。

我们将模型的输出 logits 传递给 nn.CrossEntropyLoss ，它将规范化 logits 并计算预测误差。

# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()

Optimizer ( 优化器 )

优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了如何执行这个过程(在这个例子中，我们使用随机梯度下降)。所有优化逻辑都封装在优化器对象中。这里，我们使用 SGD 优化器; 此外，PyTorch 中还有许多不同的优化器，如 ADAM 和 RMSProp ，它们可以更好地用于不同类型的模型和数据。

我们通过注册需要训练的模型参数来初始化优化器，并传入学习率超参数。

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

在训练的循环中，优化分为3个步骤：

• 调用 optimizer.zero_grad() 重置模型参数的梯度，默认情况下，梯度是累加的。为了防止重复计算，我们在每次迭代中显式将他们归零。
• 通过调用 loss.backward() 反向传播预测损失， PyTorch 保存每个参数的损失梯度。
• 一旦我们有了梯度，我们调用 optimizer.step() 在向后传递中收集梯度调整参数。

Full Implementation （完整实现）

我们定义了遍历优化参数代码的 train loop, 以及根据测试数据定义了test loop。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

## 数据集
training_data = datasets.FashionMNIST(
    root="../../data/",
    train=True,
    download=True,
    transform=transforms.ToTensor()
)

test_data = datasets.FashionMNIST(
    root="../../data/",
    train=False,
    download=True,
    transform=transforms.ToTensor()
)

## dataloader
train_dataloader = DataLoader(training_data, batch_size=32, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=32, shuffle=True)

## 定义神经网络
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28 * 28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        out = self.flatten(x)
        out = self.linear_relu_stack(out)
        return out

## 实例化模型
model = NeuralNetwork()

## 损失函数
loss_fn = nn.CrossEntropyLoss()

## 优化器
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

## 超参数
learning_rate = 1e-3
batch_size = 32
epochs = 5

## 训练循环
def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        # 计算预测和损失
        pred = model(X)
        loss = loss_fn(pred, y)

        ## 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

## 测试循环
def test_loop(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0
    
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f"Test error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f}\n")


## 训练网络
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)
    test_loop(test_dataloader, model, loss_fn)
print("Done!")

Output exceeds the size limit. Open the full output data in a text editor
Epoch 1
-------------------------------
loss: 2.286209  [    0/60000]
loss: 2.276216  [ 3200/60000]
loss: 2.284355  [ 6400/60000]
loss: 2.261775  [ 9600/60000]
loss: 2.263164  [12800/60000]
loss: 2.248842  [16000/60000]
loss: 2.220280  [19200/60000]
loss: 2.189240  [22400/60000]
loss: 2.196523  [25600/60000]
loss: 2.185551  [28800/60000]
loss: 2.168148  [32000/60000]
loss: 2.121402  [35200/60000]
loss: 2.117749  [38400/60000]
loss: 2.077955  [41600/60000]
loss: 2.069381  [44800/60000]
loss: 2.021929  [48000/60000]
loss: 1.964773  [51200/60000]
loss: 1.981333  [54400/60000]
loss: 2.008120  [57600/60000]
Test error: 
 Accuracy: 50.4%, Avg loss: 1.910086

Epoch 2
...
Test error: 
 Accuracy: 70.5%, Avg loss: 0.797899

Done!

【参考】

Optimizing Model Parameters — PyTorch Tutorials 1.13.1+cu117 documentation