常见优化器的PyTorch实现是怎样的

这篇文章将为大家详细讲解有关常见优化器的PyTorch实现是怎样的，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

创新互联是由多位在大型网络公司、广告设计公司的优秀设计人员和策划人员组成的一个具有丰富经验的团队，其中包括网站策划、网页美工、网站程序员、网页设计师、平面广告设计师、网络营销人员及形象策划。承接：成都网站建设、网站设计、网站改版、网页设计制作、网站建设与维护、网络推广、数据库开发,以高性价比制作企业网站、行业门户平台等全方位的服务。

这里主要讲不同常见优化器代码的实现，以及在一个小数据集上做一个简单的比较。

其中，SGD和SGDM，还有Adam是pytorch自带的优化器，而RAdam是最近提出的一个说是Adam更强的优化器，但是一般情况下真正的大佬还在用SGDM来做优化器。

导入必要库：

import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport matplotlib.pyplot as pltimport torch.utils.data as Datafrom torch.optim.optimizer import Optimizerimport math

主程序部分：

LR = 0.01BATCH_SIZE = 32EPOCH = 12
# fake datasetx = torch.unsqueeze(torch.linspace(-1, 1, 300), dim=1)y = x.pow(2) + 0.1 * torch.normal(torch.zeros(*x.size()))
torch_dataset = Data.TensorDataset(x, y)loader = Data.DataLoader(    dataset=torch_dataset,    batch_size=BATCH_SIZE,    shuffle=True,    num_workers=2)

class Net(nn.Module):    def __init__(self):        super(Net, self).__init__()        self.hidden = nn.Linear(1, 20)        self.prediction = nn.Linear(20, 1)
    def forward(self, x):        x = F.relu(self.hidden(x))        x = self.prediction(x)        return x

def main():    net_SGD = Net()    net_Momentum = Net()    net_Adam = Net()    net_RAdam = Net()    nets = [net_SGD, net_Momentum, net_Adam, net_RAdam]    opt_SGD = optim.SGD(net_SGD.parameters(), lr=LR)    opt_Momentum = optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.9)    opt_Adam = optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))    opt_RAdam = RAdam(net_RAdam.parameters(),lr=LR,weight_decay=0)    optimizers = [opt_SGD, opt_Momentum, opt_Adam, opt_RAdam]    loss_func = nn.MSELoss()    losses_his = [[], [], [], []]    # training    for epoch in range(EPOCH):        print('EPOCH:', epoch)        for step, (batch_x, batch_y) in enumerate(loader):            b_x = batch_x            b_y = batch_y            for net, opt, l_his in zip(nets, optimizers, losses_his):                out = net(b_x)                loss = loss_func(out, b_y)                opt.zero_grad()                loss.backward()                opt.step()                l_his.append(loss.item())    labels = ['SGD', 'Momentum', 'Adam','RAdam']    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()

if __name__ == '__main__':    main()

下图是优化器的对比：

常见优化器的PyTorch实现是怎样的

可以看出来，Adam的效果可以说是非常好的。然后SGDM其次，SGDM是大佬们经常会使用的，所以在这里虽然看起来SGDM效果不如Adam，但是依然推荐在项目中，尝试一下SGDM的效果。

关于常见优化器的PyTorch实现是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。

本文标题：常见优化器的PyTorch实现是怎样的
当前网址：http://cdiso.cn/article/jhiehc.html

常见优化器的PyTorch实现是怎样的

其他资讯