详解PyTorch批训练及优化器人工智能python爬虫程序学习教程-

@本文来源于公众号：csdn2299，喜欢可以关注公众号 程序员学府

本篇文章主要介绍了详解PyTorch批训练及优化器比较，详细的介绍了什么是PyTorch批训练和PyTorch的Optimizer优化器，非常具有实用价值，需要的朋友可以参考下

一、PyTorch批训练

1. 概述

PyTorch提供了一种将数据包装起来进行批训练的工具——DataLoader。使用的时候，只需要将我们的数据首先转换为torch的tensor形式，再转换成torch可以识别的Dataset格式，然后将Dataset放入DataLoader中就可以啦。

import torch  import torch.utils.data as Data     torch.manual_seed(1) # 设定随机数种子     BATCH_SIZE = 5    x = torch.linspace(1, 10, 10)  y = torch.linspace(0.5, 5, 10)     # 将数据转换为torch的dataset格式  torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)     # 将torch_dataset置入Dataloader中  loader = Data.DataLoader(    dataset=torch_dataset,    batch_size=BATCH_SIZE, # 批大小    # 若dataset中的样本数不能被batch_size整除的话，最后剩余多少就使用多少    shuffle=True, # 是否随机打乱顺序    num_workers=2, # 多线程读取数据的线程数    )     for epoch in range(3):    for step, (batch_x, batch_y) in enumerate(loader):      print('Epoch:', epoch, '|Step:', step, '|batch_x:',         batch_x.numpy(), '|batch_y', batch_y.numpy())  '''''  shuffle=True  Epoch: 0 |Step: 0 |batch_x: [ 6. 7. 2. 3. 1.] |batch_y [ 3.  3.5 1.  1.5 0.5]  Epoch: 0 |Step: 1 |batch_x: [ 9. 10.  4.  8.  5.] |batch_y [ 4.5 5.  2.  4.  2.5]  Epoch: 1 |Step: 0 |batch_x: [ 3.  4.  2.  9. 10.] |batch_y [ 1.5 2.  1.  4.5 5. ]  Epoch: 1 |Step: 1 |batch_x: [ 1. 7. 8. 5. 6.] |batch_y [ 0.5 3.5 4.  2.5 3. ]  Epoch: 2 |Step: 0 |batch_x: [ 3. 9. 2. 6. 7.] |batch_y [ 1.5 4.5 1.  3.  3.5]  Epoch: 2 |Step: 1 |batch_x: [ 10.  4.  8.  1.  5.] |batch_y [ 5.  2.  4.  0.5 2.5]     shuffle=False  Epoch: 0 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]  Epoch: 0 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]  Epoch: 1 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]  Epoch: 1 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]  Epoch: 2 |Step: 0 |batch_x: [ 1. 2. 3. 4. 5.] |batch_y [ 0.5 1.  1.5 2.  2.5]  Epoch: 2 |Step: 1 |batch_x: [ 6.  7.  8.  9. 10.] |batch_y [ 3.  3.5 4.  4.5 5. ]  ''' 

2. TensorDataset

classtorch.utils.data.TensorDataset(data_tensor, target_tensor) 

TensorDataset类用来将样本及其标签打包成torch的Dataset，data_tensor,和target_tensor都是tensor。

3. DataLoader

classtorch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,num_workers=0, collate_fn=<function default_collate>, pin_memory=False,drop_last=False) 

dataset就是Torch的Dataset格式的对象；batch_size即每批训练的样本数量，默认为；shuffle表示是否需要随机取样本；num_workers表示读取样本的线程数。

二、PyTorch的Optimizer优化器

本实验中，首先构造一组数据集，转换格式并置于DataLoader中，备用。定义一个固定结构的默认神经网络，然后为每个优化器构建一个神经网络，每个神经网络的区别仅仅是优化器不同。通过记录训练过程中的loss值，最后在图像上呈现得到各个优化器的优化过程。

代码实现：

import torch  import torch.utils.data as Data  import torch.nn.functional as F  from torch.autograd import Variable  import matplotlib.pyplot as plt  torch.manual_seed(1) # 设定随机数种子     # 定义超参数  LR = 0.01 # 学习率  BATCH_SIZE = 32 # 批大小  EPOCH = 12 # 迭代次数     x = torch.unsqueeze(torch.linspace(-1, 1, 1000), dim=1)  y = x.pow(2) + 0.1*torch.normal(torch.zeros(*x.size()))     #plt.scatter(x.numpy(), y.numpy())  #plt.show()     # 将数据转换为torch的dataset格式  torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y)  # 将torch_dataset置入Dataloader中  loader = Data.DataLoader(dataset=torch_dataset, batch_size=BATCH_SIZE,               shuffle=True, num_workers=2)     class Net(torch.nn.Module):    def __init__(self):      super(Net, self).__init__()      self.hidden = torch.nn.Linear(1, 20)      self.predict = torch.nn.Linear(20, 1)       def forward(self, x):      x = F.relu(self.hidden(x))      x = self.predict(x)      return x     # 为每个优化器创建一个Net  net_SGD = Net()  net_Momentum = Net()  net_RMSprop = Net()  net_Adam = Net()   nets = [net_SGD, net_Momentum, net_RMSprop, net_Adam]     # 初始化优化器  opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR)  opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8)  opt_RMSprop = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.9)  opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99))     optimizers = [opt_SGD, opt_Momentum, opt_RMSprop, opt_Adam]     # 定义损失函数  loss_function = torch.nn.MSELoss()  losses_history = [[], [], [], []] # 记录training时不同神经网络的loss值     for epoch in range(EPOCH):    print('Epoch:', epoch + 1, 'Training...')    for step, (batch_x, batch_y) in enumerate(loader):      b_x = Variable(batch_x)      b_y = Variable(batch_y)         for net, opt, l_his in zip(nets, optimizers, losses_history):        output = net(b_x)        loss = loss_function(output, b_y)        opt.zero_grad()        loss.backward()        opt.step()        l_his.append(loss.data[0])     labels = ['SGD', 'Momentum', 'RMSprop', 'Adam']     for i, l_his in enumerate(losses_history):    plt.plot(l_his, label=labels[i])  plt.legend(loc='best')  plt.xlabel('Steps')  plt.ylabel('Loss')  plt.ylim((0, 0.2))  plt.show()  

实验结果：
由实验结果可见，SGD的优化效果是最差的，速度很慢；作为SGD的改良版本，Momentum表现就好许多；相比RMSprop和Adam的优化速度就非常好。实验中，针对不同的优化问题，比较各个优化器的效果再来决定使用哪个。

三、其他补充

1. Python的zip函数

zip函数接受任意多个（包括0个和1个）序列作为参数，返回一个tuple列表。

x = [1, 2, 3]  y = [4, 5, 6]  z = [7, 8, 9]  xyz = zip(x, y, z)  print xyz  [(1, 4, 7), (2, 5, 8), (3, 6, 9)]     x = [1, 2, 3]  x = zip(x)  print x  [(1,), (2,), (3,)]     x = [1, 2, 3]  y = [4, 5, 6, 7]  xy = zip(x, y)  print xy  [(1, 4), (2, 5), (3, 6)]  

非常感谢你的阅读
大学的时候选择了自学python，工作了发现吃了计算机基础不好的亏，学历不行这是没办法的事，只能后天弥补，于是在编码之外开启了自己的逆袭之路，不断的学习python核心知识，深入的研习计算机基础知识，整理好了，我放在我们的微信公众号《程序员学府》，如果你也不甘平庸，那就与我一起在编码之外，不断成长吧！

其实这里不仅有技术，更有那些技术之外的东西，比如，如何做一个精致的程序员，而不是“屌丝”，程序员本身就是高贵的一种存在啊，难道不是吗？[点击加入]想做你自己想成为高尚人，加油！