PyTorch入门学习（十四）：优化器

目录

一、优化器的重要性

二、PyTorch 中的深度学习

三、优化器的选择

一、优化器的重要性

深度学习模型通常包含大量的参数，因此训练过程涉及到优化这些参数以减小损失函数的值。这个过程类似于找到函数的最小值，但由于模型通常非常复杂，所以需要依赖数值优化算法，即优化器。优化器的任务是调整模型参数，以最小化损失函数，从而提高模型的性能。

二、PyTorch 中的深度学习

PyTorch 是一个流行的深度学习框架，它提供了广泛的工具和库，用于创建、训练和部署深度学习模型。下面我们将通过一个简单的示例来了解如何使用 PyTorch 构建一个图像分类模型并训练它。

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoader

# 加载 CIFAR-10 数据集
dataset = torchvision.datasets.CIFAR10(root="D:\Python_Project\pytorch\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)
dataloader = DataLoader(dataset=dataset, batch_size=1)

# 定义一个简单的神经网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10),
        )

    def forward(self, x):
        x = self.model1(x)
        return x

tudui = Tudui()

# 使用交叉熵损失函数
loss_cross = nn.CrossEntropyLoss()

# 使用随机梯度下降（SGD）优化器
optim = torch.optim.SGD(tudui.parameters(), lr=0.01)

# 训练模型
for epoch in range(20):
    running_loss = 0.0
    for data in dataloader:
        imgs, labels = data
        outputs = tudui(imgs)
        results = loss_cross(outputs, labels)
        optim.zero_grad()
        results.backward()
        optim.step()
        running_loss = running_loss + results
    print(running_loss)

在上面的代码中，使用 PyTorch 创建了一个名为 Tudui 的神经网络模型，并使用 CIFAR-10 数据集进行训练。在训练过程中，使用了随机梯度下降（SGD）作为优化器来调整模型的参数，以降低交叉熵损失函数的值。

三、优化器的选择

在深度学习中，有多种不同类型的优化器可供选择，每种都有其独特的特点。常见的优化器包括随机梯度下降（SGD）、Adam、RMSprop 等。选择合适的优化器通常取决于具体问题的性质和模型的结构。在上述示例中，使用了SGD，但可以根据需要尝试不同的优化器，以找到最适合的问题的那一个。

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】