优化模型参数 ¶

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 11 月 5 日

现在我们有了模型和数据，是时候通过优化模型参数在我们的数据上训练、验证和测试我们的模型了。训练模型是一个迭代的过程；在每次迭代中，模型对其输出进行猜测，计算其猜测的错误（损失），收集误差相对于其参数的导数（如我们在上一节中看到的），并使用梯度下降来优化这些参数。要详细了解此过程，请查看 3Blue1Brown 关于反向传播的此视频。

前置代码 ¶

我们从上一节关于数据集与数据加载器以及构建模型的部分加载代码。

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

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

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

train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__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):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

超参数 ¶

超参数是可以调整的参数，让您能够控制模型优化过程。不同的超参数值可以影响模型训练和收敛速度（了解更多关于超参数调优的信息）

我们定义以下超参数用于训练：

迭代次数 - 遍历数据集的次数
批大小 - 在更新参数之前通过网络的数据样本数量
学习率 - 每个批次/迭代中更新模型参数的程度。较小的值会导致学习速度慢，而较大的值可能会导致训练过程中出现不可预测的行为。

learning_rate = 1e-3
batch_size = 64
epochs = 5

优化循环

一旦我们设置了超参数，我们就可以使用优化循环来训练和优化我们的模型。优化循环的每一次迭代被称为一个 epoch。

每个 epoch 由两个主要部分组成：

训练循环 - 遍历训练数据集，并尝试收敛到最优参数。
验证/测试循环 - 遍历测试数据集以检查模型性能是否在提高。

让我们简要了解训练循环中使用的一些概念。跳过查看优化循环的完整实现。

损失函数 ¶

当面对一些训练数据时，我们的未训练网络可能无法给出正确答案。损失函数衡量获得的结果与目标值之间的差异程度，在训练过程中，我们希望最小化损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。

常见的损失函数包括用于回归任务的 nn.MSELoss（均方误差）和用于分类的 nn.NLLLoss（负对数似然）。nn.CrossEntropyLoss 结合了 nn.LogSoftmax 和 nn.NLLLoss 。

我们将模型的输出 logits 传递给 nn.CrossEntropyLoss ，它将归一化 logits 并计算预测误差。

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

优化器 ¶

优化是调整模型参数以在每个训练步骤中减少模型错误的过程。优化算法定义了此过程是如何执行的（在本例中我们使用随机梯度下降）。所有优化逻辑都封装在 optimizer 对象中。在这里，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，它们适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并传入学习率超参数来初始化优化器。

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

在训练循环中，优化过程分为三个步骤：

调用 optimizer.zero_grad() 以重置模型参数的梯度。默认情况下，梯度会累加；为了防止重复计数，我们会在每次迭代中显式地将它们置零。
通过调用 loss.backward() 回传预测损失。PyTorch 会将损失相对于每个参数的梯度存储起来。
一旦我们有了梯度，我们就调用 optimizer.step() 来通过反向传播中收集的梯度调整参数。

完整实现

我们定义 train_loop 来遍历我们的优化代码，以及 test_loop 来评估模型在测试数据上的性能。

def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    # Set the model to training mode - important for batch normalization and dropout layers
    # Unnecessary in this situation but added for best practices
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        # Compute prediction and loss
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

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


def test_loop(dataloader, model, loss_fn):
    # Set the model to evaluation mode - important for batch normalization and dropout layers
    # Unnecessary in this situation but added for best practices
    model.eval()
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0

    # Evaluating the model with torch.no_grad() ensures that no gradients are computed during test mode
    # also serves to reduce unnecessary gradient computations and memory usage for tensors with requires_grad=True
    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")

我们初始化损失函数和优化器，并将其传递给 train_loop 和 test_loop 。您可以自由增加训练轮数以跟踪模型性能的改进。

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

epochs = 10
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!")

进一步阅读

脚本总运行时间：（0 分钟 0.000 秒）

由 Sphinx-Gallery 生成的画廊