优化模型参数#
现在已经拥有了模型和数据，是时候通过在数据上优化其参数来训练、验证和测试模型了。训练模型是一个迭代过程；在每次迭代中，模型会对输出做出猜测，计算其猜测中的误差（损失），收集误差相对于其参数的导数（正如我们在先前部分看到的），并使用梯度下降法 优化 这些参数。想要更详细地了解这个过程，请查看这个关于反向传播的视频，由3Blue1Brown提供。
先决条件代码#
从之前的部分加载代码，包括数据集与DataLoaders和构建模型。
from set_env import temp_dir
项目根目录：/media/pc/data/lxw/ai/torch-book
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=temp_dir/"data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root=temp_dir/"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()
超参数#
超参数是可调参数，允许控制模型优化过程。不同的超参数值会影响模型训练和收敛速度（了解更多 关于超参数调优）
为训练定义了以下超参数：
Epoch 数量 - 遍历数据集的次数
批量大小 - 在更新参数之前通过网络传播的数据样本数量
学习率 - 在每个批次/epoch 更新模型参数的幅度。较小的值会导致学习速度缓慢，而较大的值可能会导致训练过程中出现不可预测的行为。
learning_rate = 1e-3
batch_size = 64
epochs = 5
循环优化#
一旦我们设置了超参数，就可以通过循环优化来训练和优化我们的模型。优化循环的每次迭代称为一个 epoch。
每个 epoch 包含两个主要部分：
训练循环：遍历训练数据集，尝试收敛到最优参数。
验证/测试循环：遍历测试数据集，检查模型性能是否有所提高。
简要熟悉一下训练循环中使用的一些概念。跳到 完整实现 查看循环优化的完整实现。
损失函数#
当给定一些训练数据时，未训练的网络可能不会给出正确的答案。损失函数 衡量获得结果与目标值之间的差异程度，希望在训练过程中最小化损失函数。为了计算损失，使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。
常见的损失函数包括 torch.nn.MSELoss（均方误差）用于回归任务，以及 torch.nn.NLLLoss（负对数似然）用于分类任务。torch.nn.CrossEntropyLoss 结合了 torch.nn.LogSoftmax 和 torch.nn.NLLLoss。
将模型的输出 logits 传递给 torch.nn.CrossEntropyLoss，它将对 logits 进行归一化并计算预测误差。
# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()
优化器#
优化是调整模型参数以在每个训练步骤中减少模型误差的过程。优化算法 定义了如何执行此过程（在本例中，使用随机梯度下降）。所有优化逻辑都封装在 optimizer 对象中。在这里，使用 SGD 优化器；此外，PyTorch 中还有许多 不同的优化器，例如 ADAM 和 RMSProp，它们适用于不同类型的模型和数据。
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)
在训练循环内部，优化分为三个步骤：
调用
optimizer.zero_grad()来重置模型参数的梯度。默认情况下，梯度会累加；为了避免重复计算，我们在每次迭代时显式地将它们归零。通过调用
loss.backward()反向传播预测损失。PyTorch 将损失相对于每个参数的梯度存储起来。一旦我们有了梯度，我们调用
optimizer.step()来根据反向传播中收集的梯度调整参数。
完整实现#
定义 train_loop 来循环执行优化代码，并定义 test_loop 来评估模型在测试数据上的性能。
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")
初始化损失函数和优化器，并将其传递给 train_loop 和 test_loop。可以随意增加 epoch 的数量以跟踪模型性能的提升。
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!")