LBFGS¶

class torch.optim.LBFGS(params, lr=1, max_iter=20, max_eval=None, tolerance_grad=1e-07, tolerance_change=1e-09, history_size=100, line_search_fn=None)[source][source]¶

实现 L-BFGS 算法。

深受 minFunc 的启发。

警告

此优化器不支持逐参数选项和参数组（只能有一个）。

警告

目前所有参数都必须在单个设备上。未来会对此进行改进。

注意

这是一个非常消耗内存的优化器（它需要额外的 param_bytes * (history_size + 1) 字节）。如果内存不足，请尝试减小 history size，或使用不同的算法。

参数

params (iterable) – 要优化的参数的可迭代对象。参数必须是实数。
lr (float) – 学习率（默认值：1）
max_iter (int) – 每次优化步骤的最大迭代次数（默认值：20）
max_eval (int) – 每次优化步骤的最大函数评估次数（默认值：max_iter * 1.25）。
tolerance_grad (float) – 一阶最优性上的终止容差（默认值：1e-7）。
tolerance_change (float) – 函数值/参数变化上的终止容差（默认值：1e-9）。
history_size (int) – 更新历史大小（默认值：100）。
line_search_fn (str) – ‘strong_wolfe’ 或 None（默认值：None）。

add_param_group(param_group)[source]¶

向 Optimizer 的 param_groups 添加参数组。

当微调预训练网络时，这可能很有用，因为冻结层可以变为可训练的并添加到 Optimizer 中，随着训练的进行。

参数: param_group (dict) – 指定应优化哪些张量以及组特定的优化选项的字典。

load_state_dict(state_dict)[source]¶

加载优化器状态。

参数: state_dict (dict) – 优化器状态。应是从调用 state_dict() 返回的对象。

注意

参数的名称（如果它们存在于 state_dict() 中每个参数组的 “param_names” 键下）不会影响加载过程。要将参数名称用于自定义情况（例如，当加载的状态字典中的参数与优化器中初始化的参数不同时），应实现自定义的 register_load_state_dict_pre_hook 以相应地调整加载的字典。如果 param_names 存在于加载的状态字典 param_groups 中，它们将被保存并覆盖优化器状态中的当前名称（如果存在）。如果它们在加载的状态字典中不存在，则优化器 param_names 将保持不变。

register_load_state_dict_post_hook(hook, prepend=False)[source]¶

注册一个 load_state_dict 后置钩子，它将在调用 load_state_dict() 后被调用。它应具有以下签名

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 后，将使用参数 self 调用钩子。注册的钩子可用于在 load_state_dict 加载 state_dict 后执行后处理。

参数

hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True，则提供的后置 hook 将在 load_state_dict 上所有已注册的后置钩子之前触发。否则，提供的 hook 将在所有已注册的后置钩子之后触发。（默认值：False）

返回

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

返回类型

torch.utils.hooks.RemoveableHandle

register_load_state_dict_pre_hook(hook, prepend=False)[source]¶

注册一个 load_state_dict 前置钩子，它将在调用 load_state_dict() 之前被调用。它应具有以下签名

hook(optimizer, state_dict) -> state_dict or None

optimizer 参数是正在使用的优化器实例，state_dict 参数是用户传递给 load_state_dict 的 state_dict 的浅拷贝。钩子可以就地修改 state_dict，也可以选择返回新的 state_dict。如果返回 state_dict，它将被用于加载到优化器中。

在对 self 调用 load_state_dict 之前，将使用参数 self 和 state_dict 调用钩子。注册的钩子可用于在调用 load_state_dict 之前执行预处理。

参数

hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True，则提供的前置 hook 将在 load_state_dict 上所有已注册的前置钩子之前触发。否则，提供的 hook 将在所有已注册的前置钩子之后触发。（默认值：False）

返回

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

返回类型

torch.utils.hooks.RemoveableHandle

register_state_dict_post_hook(hook, prepend=False)[source]¶

注册一个 state_dict 后置钩子，它将在调用 state_dict() 后被调用。

它应具有以下签名

hook(optimizer, state_dict) -> state_dict or None

在 self 上生成 state_dict 后，将使用参数 self 和 state_dict 调用钩子。钩子可以就地修改 state_dict，也可以选择返回新的 state_dict。注册的钩子可用于在 state_dict 返回之前对其执行后处理。

参数

hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True，则提供的后置 hook 将在 state_dict 上所有已注册的后置钩子之前触发。否则，提供的 hook 将在所有已注册的后置钩子之后触发。（默认值：False）

返回

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

返回类型

torch.utils.hooks.RemoveableHandle

register_state_dict_pre_hook(hook, prepend=False)[source]¶

注册一个 state_dict 前置钩子，它将在调用 state_dict() 之前被调用。

它应具有以下签名

hook(optimizer) -> None

optimizer 参数是正在使用的优化器实例。在对 self 调用 state_dict 之前，将使用参数 self 调用钩子。注册的钩子可用于在调用 state_dict 之前执行预处理。

参数

hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True，则提供的前置 hook 将在 state_dict 上所有已注册的前置钩子之前触发。否则，提供的 hook 将在所有已注册的前置钩子之后触发。（默认值：False）

返回

一个句柄，可用于通过调用 handle.remove() 删除添加的钩子

返回类型

torch.utils.hooks.RemoveableHandle

register_step_post_hook(hook)[source]¶

注册一个优化器步骤后置钩子，它将在优化器步骤之后被调用。

它应具有以下签名

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钩子。
返回: 一个句柄，可用于通过调用 handle.remove() 删除添加的钩子
返回类型: torch.utils.hooks.RemovableHandle

register_step_pre_hook(hook)[source]¶

注册一个优化器步骤前置钩子，它将在优化器步骤之前被调用。

它应具有以下签名

hook(optimizer, args, kwargs) -> None or modified args and kwargs

optimizer 参数是正在使用的优化器实例。如果 args 和 kwargs 被前置钩子修改，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钩子。
返回: 一个句柄，可用于通过调用 handle.remove() 删除添加的钩子
返回类型: torch.utils.hooks.RemovableHandle

state_dict()[source]¶

返回优化器的状态，形式为 dict。

它包含两个条目

state：一个字典，保存当前优化状态。其内容
在不同的优化器类之间有所不同，但有一些共同的特征。例如，状态是按参数保存的，并且参数本身不保存。state 是一个字典，将参数 ID 映射到包含每个参数的状态的字典。
param_groups：一个列表，包含所有参数组，其中每个
参数组是一个字典。每个参数组都包含特定于优化器的元数据，例如学习率和权重衰减，以及组中参数的参数 ID 列表。如果参数组使用 named_parameters() 初始化，则名称内容也将保存在状态字典中。

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（int ID）和优化器 param_groups（实际的 nn.Parameter s），以便在没有额外验证的情况下匹配状态。

返回的状态字典可能如下所示

{
    '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]
            'param_names' ['param0']  (optional)
        },
        {
            'lr': 0.001,
            'weight_decay': 0.5,
            ...
            'params': [1, 2, 3]
            'param_names': ['param1', 'layer.weight', 'layer.bias'] (optional)
        }
    ]
}

返回类型: Dict[str, Any]

step(closure)[source][source]¶

执行单个优化步骤。

参数: closure (Callable) – 重新评估模型并返回损失的闭包。

zero_grad(set_to_none=True)[source]¶

重置所有优化的 torch.Tensor 的梯度。

参数: set_to_none (bool) – 而不是设置为零，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对其执行手动操作时，None 属性或充满 0 的张量的行为会有所不同。2. 如果用户请求 zero_grad(set_to_none=True)，然后进行反向传播，则对于未接收到梯度的参数，保证 .grad 为 None。3. 如果梯度为 0 或 None，torch.optim 优化器的行为会有所不同（在一种情况下，它会以梯度 0 执行步骤，在另一种情况下，它会完全跳过该步骤）。

LBFGS¶

文档

教程

资源