嗨，我是小壮！
今儿咱们聊聊Pytorch中的优化器。
优化器的选择对深度学习模型的训练效果和速度有直接影响。不同的优化器适用于不同的问题，它们的性能差异可能导致模型更快、更稳定地收敛，或者在特定任务上表现更好。因此，在选择优化器时，需要根据具体问题的特点来进行权衡和决策。
因此，选择正确的优化器对于调优深度学习模型至关重要。优化器的选择不仅会显著影响模型的性能，还会影响训练过程的效率。
PyTorch提供了多种优化器，可用于训练神经网络并更新模型权重。这些优化器包括常见的SGD、Adam、RMSprop等，每个优化器都有其独特的特点和适用场景。选择合适的优化器可以加速模型收敛，提高训练效果。在使用优化器时，需要设置学习率、权重衰减等超参数，以及定义损失函数和模型参数。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
常见优化器
让我们首先罗列一些PyTorch中常用的优化器，并对其进行简单的介绍：
让我们一起来了解一下SGD（随机梯度下降）的工作原理吧。SGD是一种常用的优化算法，用于求解机器学习模型的参数。它通过随机选择一小批样本来估计梯度，并使用梯度的负方向来更新参数。这样可以在迭代过程中逐渐优化模型的性能。SGD的优势是计算效率高，尤其适用于
随机梯度下降是一种常用的优化算法，用于最小化损失函数。它通过计算权重相对于损失函数的梯度，并朝着梯度的负方向更新权重。这种算法在机器学习和深度学习中广泛应用。
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
(2) Adam
Adam是一种自适应学习率的优化算法，它结合了AdaGrad和RMSProp的思想。相比于传统的梯度下降算法，Adam能够为每个参数计算不同的学习率，从而更好地适应不同参数的特性。通过自适应调整学习率，Adam可以提高模型的收敛速度和性能。
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
(3) Adagrad
因为这几个版本主要以系统的运行稳定着想， 所以在功能方面并没什么大的改进，主要是对系统的优化，及一些BUG或者不太人性化的地方修改，此次版本在速度上较上版本有了50%左右的提升。WRMPS 2008 SP2 升级功能说明1，新增伪静态功能2，新增全屏分类广告功能3，新增地区分站代理功能！4，新增分站独立顶级域名支持5，新增友情连接支持分城市功能6，新增支持百度新闻规范7，新增自由设置关键词及网页
Adagrad是一种自适应学习率的优化算法，根据参数的历史梯度调整学习率。但由于学习率逐渐减小，可能导致训练过早停止。
optimizer = torch.optim.Adagrad(model.parameters(), lr=learning_rate)
(4) RMSProp
RMSProp也是一种自适应学习率的算法，通过考虑梯度的滑动平均来调整学习率。
optimizer = torch.optim.RMSprop(model.parameters(), lr=learning_rate)
(5) Adadelta
Adadelta是一种自适应学习率的优化算法，是RMSProp的改进版本，通过考虑梯度的移动平均和参数的移动平均来动态调整学习率。
optimizer = torch.optim.Adadelta(model.parameters(), lr=learning_rate)
一个完整案例
在这里，咱们聊聊如何使用PyTorch训练一个简单的卷积神经网络（CNN）来进行手写数字识别。
这个案例使用的是MNIST数据集，并使用Matplotlib库绘制了损失曲线和准确率曲线。
import torchimport torch.nn as nnimport torch.optim as optimfrom torchvision import datasets, transformsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as plt# 设置随机种子torch.manual_seed(42)# 定义数据转换transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])# 下载和加载MNIST数据集train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)# 定义简单的卷积神经网络模型class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)self.relu = nn.ReLU()self.pool = nn.MaxPool2d(kernel_size=2, stride=2)self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)self.fc1 = nn.Linear(64 * 7 * 7, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = self.conv1(x)x = self.relu(x)x = self.pool(x)x = self.conv2(x)x = self.relu(x)x = self.pool(x)x = x.view(-1, 64 * 7 * 7)x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return x# 创建模型、损失函数和优化器model = CNN()criterion = nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型num_epochs = 5train_losses = []train_accuracies = []for epoch in range(num_epochs):model.train()total_loss = 0.0correct = 0total = 0for inputs, labels in train_loader:optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()total_loss += loss.item()_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = correct / totaltrain_losses.append(total_loss / len(train_loader))train_accuracies.append(accuracy)print(f"Epoch {epoch+1}/{num_epochs}, Loss: {train_losses[-1]:.4f}, Accuracy: {accuracy:.4f}")# 绘制损失曲线和准确率曲线plt.figure(figsize=(10, 5))plt.subplot(1, 2, 1)plt.plot(train_losses, label='Training Loss')plt.title('Training Loss')plt.xlabel('Epoch')plt.ylabel('Loss')plt.legend()plt.subplot(1, 2, 2)plt.plot(train_accuracies, label='Training Accuracy')plt.title('Training Accuracy')plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.legend()plt.tight_layout()plt.show()# 在测试集上评估模型model.eval()correct = 0total = 0with torch.no_grad():for inputs, labels in test_loader:outputs = model(inputs)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = correct / totalprint(f"Accuracy on test set: {accuracy * 100:.2f}%")上述代码中，我们定义了一个简单的卷积神经网络（CNN），使用交叉熵损失和Adam优化器进行训练。
在训练过程中，我们记录了每个epoch的损失和准确率，并使用Matplotlib库绘制了损失曲线和准确率曲线。
我是小壮，下期见！
