优化模型参数

现在我们已经有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。模型的训练是一个迭代过程; 在每次迭代中(称为 epoch)。该模型对输出进行猜测，计算其猜测中的误差(损失) ，收集相对于其参数的误差导数(正如我们在前面的模块中看到的那样) ，并使用梯度下降法优化这些参数。

一、先行代码

我们需要用到之前在 Datasets & DataLoaders 和 Build Model两节中的代码

%matplotlib inline
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

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

# 这些选的话，测试集会和训练集重复吗?
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(NeuralNetwork, self).__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),
            nn.ReLU()
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

二、设置超参数(自定义)

超参数是可以调整的参数，可以让您控制模型优化过程。不同的超参数值会影响模型的训练效果和准确度。

我们为训练定义以下超参数:

Epochs 的数量——整个训练数据集通过网络的次数。
批量大小-数据样本的数量，由模型在每个历元看到。迭代是一个完成Epoch所需的批次数。
学习率-大小的步骤，模型匹配，因为它寻找最佳的权重，将产生一个更高的模型准确性。较小的值意味着模型将需要较长的时间来寻找最佳权重，而较大的值可能会导致模型跨越和错过最佳权重，产生不可预测的行为在训练中。

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

三、添加优化迭代

一旦我们设定了我们的超参数，我们就能使用优化迭代训练我们的模型并使其性能最优。每次最优化迭代称为一个 Epoch。

每个Epoch都包含了如下两部分：

训练循环：迭代训练数据集并尝试收敛到最优参数。
验证循环：迭代测试数据集，以检查模型性能是否有所改进。

让我们简单地熟悉一下训练循环中使用的一些概念。向前跳转以查看优化循环的full-impl-label。

四、添加损失函数

有了一些训练数据时，我们欠训练的网络可能不会给出正确的答案。损失函数度量的是所得结果与目标值之间的差异程度，是训练过程中要求最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实的数据标签值进行比较。

常规的损失函数具有以下几个部分：

nn.MSELoss模块：(均方误差)用于回归任务
nn.NLLLoss模块：用于分类 (负对数似然)
nn.CrossEntropyLoss模块：结合了 nn.LogSoftmax 模块和 nn.NLLLoss模块

我们将训练模型的输出结果传递给 nn. CrossEntropyLoss模块，将结果归一化并计算预测误差。

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

五、优化传递

优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了这个过程是如何执行的(在这个例子中我们使用随机梯度下降)。所有优化逻辑都封装在optimizer优化器对象中。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可用，比如 ADAM 和 RMSProp，它们可以更好地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，最佳化分为以下三步：

调用 optiizer.zero_grad ()重置模型参数的梯度。缺省情况下，导数是累加的; 为了防止重复计算，我们在每次迭代时显式地将它们归零。
通过调用 loss.backwards()将预测损失反向传播。PyTorch 存储了每个参数的损失的 w.r.t 的梯度。
一旦我们有了梯度，我们就调用 optimizer.step ()通过在后向传递中收集的梯度来调整参数。

六、最终实现

我们定义了 train_loop 类，它循环遍历我们的优化代码，然后 test_loop 根据我们的测试数据评估模型的性能。

def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):        
        # Compute prediction and loss
        pred = model(X)
        loss = loss_fn(pred, y)
        
        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

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


def test_loop(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    test_loss, correct = 0, 0

    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 /= size
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

对损失函数和优化器进行初始化，并将其传递给训练循环train_loop和测试循环test_loop。可以随意增加跟踪模型性能改进的Epoch次数。

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: 2.308088  [    0/60000]
loss: 2.296106  [ 6400/60000]
loss: 2.294169  [12800/60000]
loss: 2.287181  [19200/60000]
loss: 2.276579  [25600/60000]
loss: 2.277990  [32000/60000]
loss: 2.284203  [38400/60000]
loss: 2.279319  [44800/60000]
loss: 2.267107  [51200/60000]
loss: 2.245572  [57600/60000]
Test Error: 
 Accuracy: 34.4%, Avg loss: 0.035233 

Epoch 2
-------------------------------
loss: 2.275186  [    0/60000]
loss: 2.251615  [ 6400/60000]
loss: 2.241089  [12800/60000]
loss: 2.223141  [19200/60000]
loss: 2.204544  [25600/60000]
loss: 2.218404  [32000/60000]
loss: 2.228507  [38400/60000]
loss: 2.221663  [44800/60000]
loss: 2.180273  [51200/60000]
loss: 2.166291  [57600/60000]
Test Error: 
 Accuracy: 36.1%, Avg loss: 0.033724 

...

Epoch 9
-------------------------------
loss: 1.572581  [    0/60000]
loss: 1.536698  [ 6400/60000]
loss: 1.386129  [12800/60000]
loss: 1.507087  [19200/60000]
loss: 1.537039  [25600/60000]
loss: 1.618934  [32000/60000]
loss: 1.705118  [38400/60000]
loss: 1.709436  [44800/60000]
loss: 1.497436  [51200/60000]
loss: 1.646820  [57600/60000]
Test Error: 
 Accuracy: 54.3%, Avg loss: 0.023536 

Epoch 10
-------------------------------
loss: 1.524608  [    0/60000]
loss: 1.495975  [ 6400/60000]
loss: 1.335855  [12800/60000]
loss: 1.464294  [19200/60000]
loss: 1.502922  [25600/60000]
loss: 1.581113  [32000/60000]
loss: 1.676777  [38400/60000]
loss: 1.685587  [44800/60000]
loss: 1.465791  [51200/60000]
loss: 1.618140  [57600/60000]
Test Error: 
 Accuracy: 54.7%, Avg loss: 0.023022 

Done!

您可能已经注意到，模型最初并不是很好(没关系!).尝试运行更多的时代循环或调整学习速度到一个更大的数字。我们选择的模型配置也可能不是此类问题的最佳配置(它不是)。后面的课程将更深入地研究用于解决视觉问题的模型形状。

七、保存模型

当您对模型的性能满意时，可以使用 torch.save 来保存它。PyTorch 模型将学到的参数存储在内部状态字典中，称为 state _ dict。这些可以通过torch.save 方法持久化:

torch.save(model.state_dict(), "data/model.pth")

print("Saved PyTorch Model State to model.pth")

Saved PyTorch Model State to model.pth

PyTorch 05 - Learn about the optimization loop