pytorch中網絡loss傳播和參數更新的示例分析

這篇文章將為大家詳細講解有關pytorch中網絡loss傳播和參數更新的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

相比于2018年，在ICLR2019提交論文中，提及不同框架的論文數量發生了極大變化，網友發現，提及tensorflow的論文數量從2018年的228篇略微提升到了266篇，keras從42提升到56，但是pytorch的數量從87篇提升到了252篇。

TensorFlow: 228--->266

Keras: 42--->56

Pytorch: 87--->252

在使用pytorch中，自己有一些思考，如下：

1. loss計算和反向傳播

import torch.nn as nn
 
criterion = nn.MSELoss().cuda()
 
output = model(input)
 
loss = criterion(output, target)
loss.backward()

通過定義損失函數：criterion，然后通過計算網絡真實輸出和真實標簽之間的誤差，得到網絡的損失值：loss；

最后通過loss.backward()完成誤差的反向傳播，通過pytorch的內在機制完成自動求導得到每個參數的梯度。

需要注意，在機器學習或者深度學習中，我們需要通過修改參數使得損失函數最小化或最大化，一般是通過梯度進行網絡模型的參數更新，通過loss的計算和誤差反向傳播，我們得到網絡中，每個參數的梯度值，后面我們再通過優化算法進行網絡參數優化更新。

2. 網絡參數更新

在更新網絡參數時，我們需要選擇一種調整模型參數更新的策略，即優化算法。

優化算法中，簡單的有一階優化算法：

其中 就是通常說的學習率， 是函數的梯度；

自己的理解是，對于復雜的優化算法，基本原理也是這樣的，不過計算更加復雜。

在pytorch中，torch.optim是一個實現各種優化算法的包，可以直接通過這個包進行調用。

optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

注意：

1）在前面部分1中，已經通過loss的反向傳播得到了每個參數的梯度，然后再本部分通過定義優化器（優化算法），確定了網絡更新的方式，在上述代碼中，我們將模型的需要更新的參數傳入優化器。

2）注意優化器，即optimizer中，傳入的模型更新的參數，對于網絡中有多個模型的網絡，我們可以選擇需要更新的網絡參數進行輸入即可，上述代碼，只會更新model中的模型參數。對于需要更新多個模型的參數的情況，可以參考以下代碼：

optimizer = torch.optim.Adam([{'params': model.parameters()}, {'params': gru.parameters()}], lr=0.01) 3) 在優化前需要先將梯度歸零，即optimizer.zeros()。

3. loss計算和參數更新

import torch.nn as nn
import torch
 
criterion = nn.MSELoss().cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
 
output = model(input)
 
loss = criterion(output, target)
 
optimizer.zero_grad() # 將所有參數的梯度都置零
loss.backward()    # 誤差反向傳播計算參數梯度
optimizer.step()    # 通過梯度做一步參數更新

關于“pytorch中網絡loss傳播和參數更新的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。