注意

點選此處下載完整示例程式碼

學習基礎知識 || 快速入門 || 張量 || 資料集與資料載入器 || 變換 || 構建模型 || Autograd || 最佳化 || 儲存和載入模型

最佳化模型引數¶

建立日期：2021 年 2 月 9 日 | 最後更新：2024 年 1 月 31 日 | 最後驗證：2024 年 11 月 5 日

現在我們已經有了模型和資料，是時候透過最佳化模型的引數來訓練、驗證和測試模型了。訓練模型是一個迭代過程；在每次迭代中，模型都會對輸出進行預測，計算預測的誤差（損失），收集誤差相對於模型引數的導數（正如我們在上一節中看到的那樣），並使用梯度下降來最佳化這些引數。要更詳細地瞭解這個過程，可以看看 3Blue1Brown 關於反向傳播的影片。

前提程式碼¶

我們載入前面關於資料集與資料載入器和構建模型的程式碼。

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()

  0%|          | 0.00/26.4M [00:00<?, ?B/s]
  0%|          | 65.5k/26.4M [00:00<01:12, 364kB/s]
  1%|          | 229k/26.4M [00:00<00:38, 682kB/s]
  4%|3         | 950k/26.4M [00:00<00:11, 2.18MB/s]
 15%|#4        | 3.83M/26.4M [00:00<00:02, 7.58MB/s]
 37%|###7      | 9.86M/26.4M [00:00<00:00, 16.8MB/s]
 60%|######    | 16.0M/26.4M [00:01<00:00, 22.5MB/s]
 83%|########3 | 22.0M/26.4M [00:01<00:00, 26.1MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.3MB/s]

  0%|          | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 326kB/s]

  0%|          | 0.00/4.42M [00:00<?, ?B/s]
  1%|1         | 65.5k/4.42M [00:00<00:12, 357kB/s]
  4%|4         | 197k/4.42M [00:00<00:05, 757kB/s]
 11%|#1        | 492k/4.42M [00:00<00:03, 1.26MB/s]
 37%|###7      | 1.64M/4.42M [00:00<00:00, 4.25MB/s]
 87%|########6 | 3.83M/4.42M [00:00<00:00, 7.89MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.01MB/s]

  0%|          | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 50.9MB/s]

超引數¶

超引數是可調節的引數，允許你控制模型的最佳化過程。不同的超引數值會影響模型的訓練速度和收斂率（有關超引數調優的更多資訊）。

我們為訓練定義以下超引數

訓練輪數 (Epochs) - 遍歷資料集的次數
批次大小 (Batch Size) - 在更新引數之前透過網路傳播的資料樣本數量
學習率 (Learning Rate) - 在每個批次/訓練輪中更新模型引數的幅度。較小的值會產生較慢的學習速度，而較大的值可能導致訓練期間出現不可預測的行為。

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

最佳化迴圈¶

設定好超引數後，我們就可以透過最佳化迴圈來訓練和最佳化模型。最佳化迴圈的每次迭代稱為一個訓練輪 (epoch)。

每個訓練輪包含兩個主要部分

訓練迴圈 - 遍歷訓練資料集並嘗試收斂到最優引數。
驗證/測試迴圈 - 遍歷測試資料集，檢查模型效能是否正在提高。

讓我們簡要熟悉一下訓練迴圈中使用的一些概念。跳到後面檢視最佳化迴圈的完整實現。

損失函式¶

當給定一些訓練資料時，我們未經訓練的網路很可能無法給出正確答案。損失函式衡量得到的結果與目標值之間的差異程度，我們希望在訓練過程中最小化損失函式。為了計算損失，我們使用給定資料樣本的輸入進行預測，並將其與真實資料標籤值進行比較。

常見的損失函式包括用於迴歸任務的nn.MSELoss（均方誤差）和用於分類任務的nn.NLLLoss（負對數似然）。nn.CrossEntropyLoss 結合了 nn.LogSoftmax 和 nn.NLLLoss。

我們將模型的輸出 logits 傳遞給 nn.CrossEntropyLoss，它將對 logits 進行歸一化並計算預測誤差。

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

最佳化器¶

最佳化是調整模型引數以在每個訓練步驟中減少模型誤差的過程。最佳化演算法定義瞭如何執行此過程（在此示例中，我們使用隨機梯度下降）。所有最佳化邏輯都封裝在 optimizer 物件中。在這裡，我們使用 SGD 最佳化器；此外，PyTorch 中還有許多不同的最佳化器可用，例如 ADAM 和 RMSProp，它們適用於不同型別的模型和資料。

我們透過註冊需要訓練的模型引數並傳入學習率超引數來初始化最佳化器。

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

在訓練迴圈中，最佳化過程分為三個步驟

呼叫 optimizer.zero_grad() 來重置模型引數的梯度。梯度預設會累積；為了防止重複計算，我們在每次迭代時顯式地將它們歸零。
呼叫 loss.backward() 進行預測損失的反向傳播。PyTorch 會計算損失相對於每個引數的梯度。
得到梯度後，我們呼叫 optimizer.step() 根據反向傳播中收集到的梯度來調整引數。

完整實現¶

我們定義了迴圈執行最佳化程式碼的 train_loop 和根據測試資料評估模型效能的 test_loop。

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")

我們初始化損失函式和最佳化器，並將其傳遞給 train_loop 和 test_loop。你可以隨意增加訓練輪數來跟蹤模型效能的提升。

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!")

Epoch 1
-------------------------------
loss: 2.298730  [   64/60000]
loss: 2.289123  [ 6464/60000]
loss: 2.273286  [12864/60000]
loss: 2.269406  [19264/60000]
loss: 2.249604  [25664/60000]
loss: 2.229407  [32064/60000]
loss: 2.227369  [38464/60000]
loss: 2.204261  [44864/60000]
loss: 2.206193  [51264/60000]
loss: 2.166651  [57664/60000]
Test Error:
 Accuracy: 50.9%, Avg loss: 2.166725

Epoch 2
-------------------------------
loss: 2.176751  [   64/60000]
loss: 2.169596  [ 6464/60000]
loss: 2.117501  [12864/60000]
loss: 2.129273  [19264/60000]
loss: 2.079675  [25664/60000]
loss: 2.032928  [32064/60000]
loss: 2.050115  [38464/60000]
loss: 1.985237  [44864/60000]
loss: 1.987888  [51264/60000]
loss: 1.907163  [57664/60000]
Test Error:
 Accuracy: 55.9%, Avg loss: 1.915487

Epoch 3
-------------------------------
loss: 1.951615  [   64/60000]
loss: 1.928684  [ 6464/60000]
loss: 1.815711  [12864/60000]
loss: 1.841554  [19264/60000]
loss: 1.732469  [25664/60000]
loss: 1.692915  [32064/60000]
loss: 1.701716  [38464/60000]
loss: 1.610631  [44864/60000]
loss: 1.632872  [51264/60000]
loss: 1.514267  [57664/60000]
Test Error:
 Accuracy: 58.8%, Avg loss: 1.541527

Epoch 4
-------------------------------
loss: 1.616449  [   64/60000]
loss: 1.582892  [ 6464/60000]
loss: 1.427596  [12864/60000]
loss: 1.487955  [19264/60000]
loss: 1.359329  [25664/60000]
loss: 1.364820  [32064/60000]
loss: 1.371491  [38464/60000]
loss: 1.298707  [44864/60000]
loss: 1.336200  [51264/60000]
loss: 1.232144  [57664/60000]
Test Error:
 Accuracy: 62.2%, Avg loss: 1.260238

Epoch 5
-------------------------------
loss: 1.345540  [   64/60000]
loss: 1.327799  [ 6464/60000]
loss: 1.153804  [12864/60000]
loss: 1.254832  [19264/60000]
loss: 1.117318  [25664/60000]
loss: 1.153250  [32064/60000]
loss: 1.171764  [38464/60000]
loss: 1.110264  [44864/60000]
loss: 1.154467  [51264/60000]
loss: 1.070921  [57664/60000]
Test Error:
 Accuracy: 64.1%, Avg loss: 1.089831

Epoch 6
-------------------------------
loss: 1.166888  [   64/60000]
loss: 1.170515  [ 6464/60000]
loss: 0.979435  [12864/60000]
loss: 1.113774  [19264/60000]
loss: 0.973409  [25664/60000]
loss: 1.015192  [32064/60000]
loss: 1.051111  [38464/60000]
loss: 0.993591  [44864/60000]
loss: 1.039709  [51264/60000]
loss: 0.971078  [57664/60000]
Test Error:
 Accuracy: 65.8%, Avg loss: 0.982441

Epoch 7
-------------------------------
loss: 1.045163  [   64/60000]
loss: 1.070585  [ 6464/60000]
loss: 0.862304  [12864/60000]
loss: 1.022268  [19264/60000]
loss: 0.885212  [25664/60000]
loss: 0.919530  [32064/60000]
loss: 0.972762  [38464/60000]
loss: 0.918727  [44864/60000]
loss: 0.961630  [51264/60000]
loss: 0.904378  [57664/60000]
Test Error:
 Accuracy: 66.9%, Avg loss: 0.910168

Epoch 8
-------------------------------
loss: 0.956964  [   64/60000]
loss: 1.002171  [ 6464/60000]
loss: 0.779055  [12864/60000]
loss: 0.958410  [19264/60000]
loss: 0.827243  [25664/60000]
loss: 0.850261  [32064/60000]
loss: 0.917320  [38464/60000]
loss: 0.868385  [44864/60000]
loss: 0.905506  [51264/60000]
loss: 0.856354  [57664/60000]
Test Error:
 Accuracy: 68.3%, Avg loss: 0.858248

Epoch 9
-------------------------------
loss: 0.889762  [   64/60000]
loss: 0.951220  [ 6464/60000]
loss: 0.717033  [12864/60000]
loss: 0.911042  [19264/60000]
loss: 0.786091  [25664/60000]
loss: 0.798369  [32064/60000]
loss: 0.874938  [38464/60000]
loss: 0.832791  [44864/60000]
loss: 0.863253  [51264/60000]
loss: 0.819740  [57664/60000]
Test Error:
 Accuracy: 69.5%, Avg loss: 0.818778

Epoch 10
-------------------------------
loss: 0.836395  [   64/60000]
loss: 0.910217  [ 6464/60000]
loss: 0.668505  [12864/60000]
loss: 0.874332  [19264/60000]
loss: 0.754807  [25664/60000]
loss: 0.758451  [32064/60000]
loss: 0.840449  [38464/60000]
loss: 0.806151  [44864/60000]
loss: 0.830361  [51264/60000]
loss: 0.790275  [57664/60000]
Test Error:
 Accuracy: 71.0%, Avg loss: 0.787269

Done!

進一步閱讀¶

指令碼總執行時間： ( 1 分 11.923 秒)

由 Sphinx-Gallery 生成的相簿