pytorch中优化器optimizer.param_groups用法的示例分析

小编给大家分享一下PyTorch中优化器optimizer.param_groups用法的示例分析，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！

optimizer.param_groups： 是长度为2的list，其中的元素是2个字典；

optimizer.param_groups[0]： 长度为6的字典，包括[‘amsgrad', ‘params', ‘lr', ‘betas', ‘weight_decay', ‘eps']这6个参数；

optimizer.param_groups[1]： 好像是表示优化器的状态的一个字典；

import torchimport torch.optim as optimh3w1 = torch.randn(3, 3)w1.requires_grad = Truew2 = torch.randn(3, 3)w2.requires_grad = Trueo = optim.Adam([w1])print(o.param_groups)

[{'amsgrad': False,  'betas': (0.9, 0.999),  'eps': 1e-08,  'lr': 0.001,  'params': [tensor([[ 2.9064, -0.2141, -0.4037],           [-0.5718,  1.0375, -0.6862],           [-0.8372,  0.4380, -0.1572]])],  'weight_decay': 0}]

Per the docs, the add_param_group method accepts a param_group parameter that is a dict. Example of use:h3import torchimport torch.optim as optimh3w1 = torch.randn(3, 3)w1.requires_grad = Truew2 = torch.randn(3, 3)w2.requires_grad = Trueo = optim.Adam([w1])print(o.param_groups)givesh3[{'amsgrad': False,  'betas': (0.9, 0.999),  'eps': 1e-08,  'lr': 0.001,  'params': [tensor([[ 2.9064, -0.2141, -0.4037],           [-0.5718,  1.0375, -0.6862],           [-0.8372,  0.4380, -0.1572]])],  'weight_decay': 0}]nowh3o.add_param_group({'params': w2})print(o.param_groups)

[{'amsgrad': False,  'betas': (0.9, 0.999),  'eps': 1e-08,  'lr': 0.001,  'params': [tensor([[ 2.9064, -0.2141, -0.4037],           [-0.5718,  1.0375, -0.6862],           [-0.8372,  0.4380, -0.1572]])],  'weight_decay': 0}, {'amsgrad': False,  'betas': (0.9, 0.999),  'eps': 1e-08,  'lr': 0.001,  'params': [tensor([[-0.0560,  0.4585, -0.7589],           [-0.1994,  0.4557,  0.5648],           [-0.1280, -0.0333, -1.1886]])],  'weight_decay': 0}]

# 动态修改学习率for param_group in optimizer.param_groups:    param_group["lr"] = lr # 得到学习率optimizer.param_groups[0]["lr"] h3# print('查看optimizer.param_groups结构：')# i_list=[i for i in optimizer.param_groups[0].keys()]# print(i_list)    ['amsgrad', 'params', 'lr', 'betas', 'weight_decay', 'eps']

补充：pytorch中的优化器总结

以SGD优化器为例：

# -*- coding: utf-8 -*-#@Time    :2019/7/3 22:31#@Author  :XiaoMa from torch import nn as nnimport torch as tfrom torch.autograd import Variable as V#定义一个LeNet网络class Net(nn.Module):    def __init__(self):        super(Net,self).__init__()        self.features=nn.Sequential(            nn.Conv2d(3,6,5),            nn.ReLU(),            nn.MaxPool2d(2,2),            nn.Conv2d(6,16,5),            nn.ReLU(),            nn.MaxPool2d(2,3)        )                self.classifier=nn.Sequential(\            nn.Linear(16*5*5,120),            nn.ReLU(),            nn.Linear(120,84),            nn.ReLU(),            nn.Linear(84,10)            )    def forward(self, x):        x=self.features(x)        x=x.view(-1,16*5*5)        x=self.classifier(x)        return xnet=Net() from torch import optim #优化器optimizer=optim.SGD(params=net.parameters(),lr=1)optimizer.zero_grad()   #梯度清零，相当于net.zero_grad() input=V(t.randn(1,3,32,32))output=net(input)output.backward(output)     #fake backwardoptimizer.step()    #执行优化 #为不同子网络设置不同的学习率，在finetune中经常用到#如果对某个参数不指定学习率，就使用默认学习率optimizer=optim.SGD(    [{'param':net.features.parameters()},    #学习率为1e-5    {'param':net.classifier.parameters(),'lr':1e-2}],lr=1e-5) #只为两个全连接层设置较大的学习率，其余层的学习率较小special_layers=nn.ModuleList([net.classifier[0],net.classifier[3]])special_layers_params=list(map(id,special_layers.parameters()))base_params=filter(lambda p:id(p) not in special_layers_params,net.parameters()) optimizer=t.optim.SGD([    {'param':base_params},    {'param':special_layers.parameters(),'lr':0.01}],lr=0.001)

调整学习率主要有两种做法。

一种是修改optimizer.param_groups中对应的学习率，另一种是新建优化器（更简单也是更推荐的做法），由于optimizer十分轻量级，构建开销很小，故可以构建新的optimizer。

但是新建优化器会重新初始化动量等状态信息，这对使用动量的优化器来说（如自带的momentum的sgd），可能会造成损失函数在收敛过程中出现震荡。

如：

#调整学习率，新建一个optimizerold_lr=0.1optimizer=optim.SGD([                {'param':net.features.parameters()},                {'param':net.classifiers.parameters(),'lr':old_lr*0.5}],lr=1e-5)

看完了这篇文章，相信你对“pytorch中优化器optimizer.param_groups用法的示例分析”有了一定的了解，如果想了解更多相关知识，欢迎关注编程网精选频道，感谢各位的阅读！