Adafactor¶
- class torch.optim.Adafactor(params, lr=0.01, beta2_decay=-0.8, eps=(None, 0.001), d=1.0, weight_decay=0.0, *, foreach=None, maximize=False)¶
实现 Adafactor 算法。
有关该算法的更多详细信息,请参阅 Adafactor:具有亚线性内存成本的自适应学习率。
- 参数
params (iterable) – 要优化的参数的迭代器或定义参数组的字典
lr (float, Tensor, 可选) – 与其他优化器不同,Adafactor 不需要学习率,Shazeer、Noam 和 Mitchell Stern 根本没有使用 lr。与论文不同,此实现使用 lr 应用权重衰减并作为相对步长 rho_t 的最大值。请注意,在论文中,常数 0.01 用作相对步长的最大值,因此我们将 0.01 设为默认值。(默认值:1e-2)
beta2_decay (float, 可选) – beta2 的衰减率。beta2 通常指用于计算梯度平方运行平均值的系数。(默认值:-0.8)
eps (Tuple[float, float], 可选) – epsilon1 是添加到更新计算分母中的项,以提高数值稳定性。这种 epsilon1 的用法与论文中编写的算法略有不同!有关更多详细信息,请参见下面的注释。epsilon2 是用于避免在应用参数缩放时权重更新过小的项。(默认值:(None, 1e-3))
d (float, 可选) – 修剪阈值,用于避免出现大于预期值的更新。
weight_decay (float, 可选) – 权重衰减系数(默认值:1e-2)
foreach (bool, 可选) – 是否使用优化器的 foreach 实现。请注意,foreach 实现比 for 循环版本使用约 sizeof(params) 更多的峰值内存,因为中间值是张量列表而不是单个张量。由于 Adafactor 通常在内存有限时使用,因此 Adafactor 默认使用较慢的单个张量 for 循环实现,除非此标志明确设置为 True。此行为与其他优化器相反,其他优化器将尝试在 CUDA 上默认为 foreach 以加快运行时间。(默认值:None)
maximize (bool, 可选) – 相对于 params 最大化目标,而不是最小化(默认值:False)
注意
Adafactor 的实现与 Shazeer、Noam 和 Mitchell Stern 以及某些其他框架中的实现略有不同,因为它使用了学习率和 .
关于学习率超参数:Shazeer、Noam 和 Mitchell Stern 根本没有使用 lr,因为所述算法使用 和更新裁剪来影响步长。
此实现允许lr 影响 的最大值。
这与 Shazeer、Noam 和 Mitchell Stern 不同,他们使用 0.01 的常数作为 的最大值。
Shazeer、Noam 和 Mitchell Stern 并没有对权重衰减的计算方式提出意见,因此我们使用学习率作为解耦权重衰减的系数,类似于解耦权重衰减正则化中提出的方法。
关于 的使用:此实现尝试复制 Shazeer、Noam 和 Mitchell Stern 使用 作为梯度平方变小时的稳定项的推定意图。
这种稳定化可以写成
在梯度平方 和 的行和列因子保持不变,并在方差估计 的最终计算中应用 ,以及更新 。
这与 Shazeer, Noam 和 Mitchell Stern 以及其他框架形成对比,这些框架将 应用于梯度平方的行和列因子,但在之后的计算中则不这样做。
- add_param_group(param_group)¶
将参数组添加到
Optimizer
的 param_groups 中。在微调预训练网络时,这很有用,因为可以使冻结的层可训练,并在训练过程中将其添加到
Optimizer
中。- 参数
param_group (dict) – 指定哪些张量应该被优化,以及特定于组的优化选项。
- load_state_dict(state_dict)¶
加载优化器状态。
- 参数
state_dict (dict) – 优化器状态。应为
state_dict()
调用返回的对象。
- register_load_state_dict_post_hook(hook, prepend=False)¶
注册一个 load_state_dict 后挂钩,该挂钩将在调用
load_state_dict()
后被调用。它应该具有以下签名hook(optimizer) -> None
optimizer
参数是正在使用的优化器实例。在对
self
调用load_state_dict
之后,挂钩将使用参数self
被调用。注册的挂钩可用于在load_state_dict
加载了state_dict
后执行后处理。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
prepend (bool) – 如果为 True,则提供的后
hook
将在load_state_dict
上所有已注册的后挂钩之前触发。否则,提供的hook
将在所有已注册的后挂钩之后触发。(默认值:False)
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemoveableHandle
- register_load_state_dict_pre_hook(hook, prepend=False)¶
注册一个 load_state_dict 前挂钩,该挂钩将在调用
load_state_dict()
之前被调用。它应该具有以下签名hook(optimizer, state_dict) -> state_dict or None
optimizer
参数是正在使用的优化器实例,而state_dict
参数是用户传递给load_state_dict
的state_dict
的浅拷贝。挂钩可以就地修改 state_dict,或者可以选择返回一个新的。如果返回了 state_dict,它将用于加载到优化器中。在对
self
调用load_state_dict
之前,挂钩将使用参数self
和state_dict
被调用。注册的挂钩可用于在进行load_state_dict
调用之前执行预处理。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
prepend (bool) – 如果为 True,则提供的预
hook
将在load_state_dict
上所有已注册的预挂钩之前触发。否则,提供的hook
将在所有已注册的预挂钩之后触发。(默认值:False)
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_post_hook(hook, prepend=False)¶
注册一个 state dict 后挂钩,该挂钩将在调用
state_dict()
后被调用。它应该具有以下签名
hook(optimizer, state_dict) -> state_dict or None
在对
self
生成state_dict
之后,挂钩将使用参数self
和state_dict
被调用。挂钩可以就地修改 state_dict,或者可以选择返回一个新的。注册的挂钩可用于在返回state_dict
之前对其执行后处理。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
prepend (bool) – 如果为 True,则提供的后
hook
将在state_dict
上所有已注册的后挂钩之前触发。否则,提供的hook
将在所有已注册的后挂钩之后触发。(默认值:False)
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_pre_hook(hook, prepend=False)¶
注册一个 state dict 前挂钩,该挂钩将在调用
state_dict()
之前被调用。它应该具有以下签名
hook(optimizer) -> None
参数
optimizer
是正在使用的优化器实例。在调用self
上的state_dict
之前,将使用参数self
调用该钩子。注册的钩子可用于在进行state_dict
调用之前执行预处理。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
prepend (bool) – 如果为 True,则提供的预
hook
将在state_dict
上所有已注册的预钩子之前触发。否则,提供的hook
将在所有已注册的预钩子之后触发。(默认值:False)
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemoveableHandle
- register_step_post_hook(hook)¶
注册一个优化器步骤后钩子,该钩子将在优化器步骤之后被调用。
它应该具有以下签名
hook(optimizer, args, kwargs) -> None
optimizer
参数是正在使用的优化器实例。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemovableHandle
- register_step_pre_hook(hook)¶
注册一个优化器步骤前钩子,该钩子将在优化器步骤之前被调用。
它应该具有以下签名
hook(optimizer, args, kwargs) -> None or modified args and kwargs
参数
optimizer
是正在使用的优化器实例。如果预钩子修改了 args 和 kwargs,则转换后的值将作为包含 new_args 和 new_kwargs 的元组返回。- 参数
hook (Callable) – 要注册的用户定义的挂钩。
- 返回值
一个句柄,可用于通过调用
handle.remove()
删除添加的挂钩- 返回类型
torch.utils.hooks.RemovableHandle
- state_dict()¶
将优化器的状态作为
dict
返回。它包含两个条目
state
:一个保存当前优化状态的字典。其内容在不同的优化器类之间有所不同,但一些共同特征仍然存在。例如,状态是针对每个参数保存的,参数本身不会保存。
state
是一个字典,将参数 ID 映射到一个字典,该字典包含与每个参数相对应状态。
param_groups
:一个列表,包含所有参数组,其中每个参数组都是一个字典。每个参数组包含特定于优化器的元数据,例如学习率和权重衰减,以及该组中参数的参数 ID 列表。
注意:参数 ID 可能看起来像索引,但它们只是将状态与 param_group 关联的 ID。从 state_dict 加载时,优化器将压缩 param_group
params
(整数 ID)和优化器param_groups
(实际的nn.Parameter
)以匹配状态,而无需额外的验证。返回的 state_dict 可能看起来像这样
{ 'state': { 0: {'momentum_buffer': tensor(...), ...}, 1: {'momentum_buffer': tensor(...), ...}, 2: {'momentum_buffer': tensor(...), ...}, 3: {'momentum_buffer': tensor(...), ...} }, 'param_groups': [ { 'lr': 0.01, 'weight_decay': 0, ... 'params': [0] }, { 'lr': 0.001, 'weight_decay': 0.5, ... 'params': [1, 2, 3] } ] }
- zero_grad(set_to_none=True)¶
重置所有已优化
torch.Tensor
的梯度。- 参数
set_to_none (bool) – 不是设置为零,而是将梯度设置为 None。这通常会降低内存占用,并可以适度提高性能。但是,它会改变某些行为。例如:1. 当用户尝试访问梯度并在其上执行手动操作时,None 属性或包含 0 的张量将具有不同的行为。2. 如果用户请求
zero_grad(set_to_none=True)
后跟反向传播,则对于未接收梯度的参数,.grad
保证为 None。3.torch.optim
优化器在梯度为 0 或 None 时具有不同的行为(在一个情况下,它使用梯度 0 执行步骤,而在另一个情况下,它完全跳过该步骤)。