Rprop¶
- class torch.optim.Rprop(params, lr=0.01, etas=(0.5, 1.2), step_sizes=(1e-06, 50), *, capturable=False, foreach=None, maximize=False, differentiable=False)[source][source]¶
實現了彈性反向傳播演算法。
關於該演算法的更多詳細資訊，請參考以下論文：一種用於更快反向傳播學習的直接自適應方法：RPROP 演算法。
- 引數
params (可迭代物件) – 要最佳化的引數或命名引數的可迭代物件，或定義引數組的字典的可迭代物件。使用命名引數時，所有組中的所有引數應命名
lr (浮點數, 可選) – 學習率 (預設值: 1e-2)
etas (元組[浮點數, 浮點數], 可選) – (etaminus, etaplus) 對，即乘性增減因子 (預設值: (0.5, 1.2))
step_sizes (元組[浮點數, 浮點數], 可選) – 允許的最小和最大步長對 (預設值: (1e-6, 50))
capturable (布林值, 可選) – 此例項是否可以安全地在 CUDA 圖中捕獲。傳遞 True 可能會損害未圖化（ungraphed）的效能，因此如果您不打算對該例項進行圖捕獲，請將其保留為 False (預設值: False)
foreach (布林值, 可選) – 是否使用最佳化器的 foreach 實現。如果使用者未指定（即 foreach 為 None），我們將嘗試在 CUDA 上使用 foreach 實現而非 for-loop 實現，因為它通常效能更高。請注意，由於中間結果是張量列表而不是單個張量，foreach 實現比 for-loop 版本會額外佔用約 sizeof(params) 的峰值記憶體。如果記憶體開銷過大，可以每次透過最佳化器批次處理更少的引數，或將此標誌切換為 False (預設值: None)
maximize (布林值, 可選) – 最大化相對於引數的目標函式，而不是最小化 (預設值: False)
differentiable (布林值, 可選) – 在訓練中，自動微分（autograd）是否應透過最佳化器步進發生。否則，step() 函式在 torch.no_grad() 上下文中執行。設定為 True 可能會損害效能，因此如果您不打算透過此例項執行自動微分，請將其保留為 False (預設值: False)
- add_param_group(param_group)[source]¶
新增一個引數組到
Optimizer的 param_groups 中。當微調預訓練網路時，這可能很有用，因為凍結層可以變為可訓練的，並隨著訓練的進行新增到
Optimizer中。- 引數
param_group (字典) – 指定哪些張量應被最佳化，以及組特定的最佳化選項。
- load_state_dict(state_dict)[source]¶
載入最佳化器狀態。
- 引數
state_dict (dict) – 最佳化器狀態。應該是呼叫
state_dict()返回的物件。
Note
引數的名稱（如果它們存在於
state_dict()中每個引數組的 “param_names” 鍵下）不會影響載入過程。對於自定義情況（例如載入的狀態字典中的引數與最佳化器中初始化的引數不同），要使用引數名稱，應實現自定義的register_load_state_dict_pre_hook來相應地調整載入的字典。如果載入的狀態字典的param_groups中存在param_names，它們將被儲存並覆蓋最佳化器狀態中當前存在的名稱（如果存在的話）。如果它們在載入的狀態字典中不存在，則最佳化器的param_names將保持不變。
- register_load_state_dict_post_hook(hook, prepend=False)[source]¶
註冊一個 load_state_dict 後置 hook，該 hook 將在呼叫
load_state_dict()後被呼叫。它應具有以下簽名：hook(optimizer) -> None
optimizer引數是被使用的最佳化器例項。在對
self呼叫load_state_dict後，該 hook 將使用引數self被呼叫。註冊的 hook 可用於在load_state_dict載入state_dict後執行後處理。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
prepend (bool) – 如果為 True，提供的後置
hook將在load_state_dict上所有已註冊的後置 hook 之前觸發。否則，提供的hook將在所有已註冊的後置 hook 之後觸發。（預設值：False）
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemoveableHandle
- register_load_state_dict_pre_hook(hook, prepend=False)[source]¶
註冊一個 load_state_dict 前置 hook，該 hook 將在呼叫
load_state_dict()之前被呼叫。它應具有以下簽名：hook(optimizer, state_dict) -> state_dict or None
optimizer引數是被使用的最佳化器例項，而state_dict引數是使用者傳遞給load_state_dict的state_dict的淺複製。該 hook 可以就地修改 state_dict，或者選擇返回一個新的。如果返回 state_dict，它將用於載入到最佳化器中。在對
self呼叫load_state_dict之前，該 hook 將使用引數self和state_dict被呼叫。註冊的 hook 可用於在進行load_state_dict呼叫之前執行預處理。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
prepend (bool) – 如果為 True，提供的後置
hook將在load_state_dict上所有已註冊的後置 hook 之前觸發。否則，提供的hook將在所有已註冊的後置 hook 之後觸發。（預設值：False）
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemoveableHandle
- register_state_dict_post_hook(hook, prepend=False)[source]¶
註冊一個 state dict 後置 hook，該 hook 將在呼叫
state_dict()後被呼叫。它應具有以下簽名：
hook(optimizer, state_dict) -> state_dict or None
在對
self生成state_dict後，該 hook 將使用引數self和state_dict被呼叫。該 hook 可以就地修改 state_dict，或者選擇返回一個新的。註冊的 hook 可用於在返回state_dict之前對其執行後處理。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
prepend (bool) – 如果為 True，提供的後置
hook將在state_dict上所有已註冊的後置 hook 之前觸發。否則，提供的hook將在所有已註冊的後置 hook 之後觸發。（預設值：False）
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemoveableHandle
- register_state_dict_pre_hook(hook, prepend=False)[source]¶
註冊一個 state dict 前置 hook，該 hook 將在呼叫
state_dict()之前被呼叫。它應具有以下簽名：
hook(optimizer) -> None
optimizer引數是被使用的最佳化器例項。在對self呼叫state_dict之前，該 hook 將使用引數self被呼叫。註冊的 hook 可用於在進行state_dict呼叫之前執行預處理。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
prepend (bool) – 如果為 True，提供的前置
hook將在state_dict上所有已註冊的前置 hook 之前觸發。否則，提供的前置hook將在所有已註冊的前置 hook 之後觸發。（預設值：False）
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemoveableHandle
- register_step_post_hook(hook)[source]¶
註冊一個最佳化器 step 後置 hook，該 hook 將在最佳化器 step 後被呼叫。
它應具有以下簽名：
hook(optimizer, args, kwargs) -> None
optimizer引數是被使用的最佳化器例項。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemovableHandle
- register_step_pre_hook(hook)[source]¶
註冊一個最佳化器 step 前置 hook，該 hook 將在最佳化器 step 前被呼叫。
它應具有以下簽名：
hook(optimizer, args, kwargs) -> None or modified args and kwargs
optimizer引數是被使用的最佳化器例項。如果 args 和 kwargs 被前置 hook 修改，則轉換後的值將作為包含 new_args 和 new_kwargs 的元組返回。- 引數
hook (Callable) – 使用者定義的要註冊的 hook。
- 返回
一個控制代碼，可以透過呼叫
handle.remove()來移除新增的 hook- 返回型別
torch.utils.hooks.RemovableHandle
- state_dict()[source]¶
將最佳化器的狀態作為
dict返回。它包含兩個條目：
state：一個 Dict，儲存當前的最佳化狀態。其內容在不同的最佳化器類之間有所不同，但有一些共同的特徵。例如，狀態是按引數儲存的，引數本身不儲存。
state是一個字典，將引數 ID 對映到包含每個引數對應狀態的 Dict。
param_groups：一個 List，包含所有引數組，其中每個引數組是一個 Dict。每個引數組包含最佳化器特定的元資料，例如學習率和權重衰減，以及該組中引數的引數 ID 列表。如果引數組是使用
named_parameters()初始化的，則名稱內容也將儲存在狀態字典中。
注意：引數 ID 可能看起來像索引，但它們只是將狀態與 param_group 關聯起來的 ID。從 state_dict 載入時，最佳化器將 param_group 的
params（整數 ID）與最佳化器的param_groups（實際的nn.Parameter）進行壓縮（zip），以匹配狀態，而無需額外的驗證。返回的狀態字典可能看起來像：
{ 'state': { 0: {'momentum_buffer': tensor(...), ...}, 1: {'momentum_buffer': tensor(...), ...}, 2: {'momentum_buffer': tensor(...), ...}, 3: {'momentum_buffer': tensor(...), ...} }, 'param_groups': [ { 'lr': 0.01, 'weight_decay': 0, ... 'params': [0] 'param_names' ['param0'] (optional) }, { 'lr': 0.001, 'weight_decay': 0.5, ... 'params': [1, 2, 3] 'param_names': ['param1', 'layer.weight', 'layer.bias'] (optional) } ] }
- zero_grad(set_to_none=True)[source]¶
將所有經過最佳化的
torch.Tensor的梯度重置為零。- 引數
set_to_none (bool) – 不是設定為零，而是將梯度設定為 None。這通常會降低記憶體佔用，並且可以適度提高效能。然而，它會改變某些行為。例如：1. 當用戶嘗試訪問梯度並對其執行手動操作時，None 屬性和全為 0 的 Tensor 會表現不同。2. 如果使用者在呼叫
zero_grad(set_to_none=True)後緊接著執行反向傳播，對於沒有接收到梯度的引數，其.grad保證為 None。3.torch.optim最佳化器在梯度為 0 或 None 時有不同的行為（在前一種情況下，它以梯度 0 執行步驟；在後一種情況下，它完全跳過該步驟）。
