快捷方式

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)[源代码]

实现 L-BFGS 算法。

在很大程度上受 minFunc 的启发。

警告

此优化器不支持每个参数选项和参数组(只能有一个)。

警告

现在,所有参数都必须在单个设备上。这将在将来得到改进。

注意

这是一个非常占用内存的优化器(它需要额外的 param_bytes * (history_size + 1) 字节)。如果它不适合内存,请尝试减少历史记录大小,或使用其他算法。

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) – 每个优化步骤的最大迭代次数(默认值:20)

  • max_eval (int) – 每个优化步骤的最大函数评估次数(默认值:max_iter * 1.25)。

  • tolerance_grad (float) – 一阶最优性终止公差(默认值:1e-7)。

  • tolerance_change (float) – 函数值/参数变化终止公差(默认值:1e-9)。

  • history_size (int) – 更新历史记录大小(默认值:100)。

  • line_search_fn (str) – 可以是 ‘strong_wolfe’ 或 None(默认值:None)。

add_param_group(param_group)

将参数组添加到 Optimizerparam_groups 中。

这在微调预训练网络时很有用,因为可以将冻结层设为可训练的,并在训练进行时将其添加到 Optimizer 中。

参数

param_group (dict) – 指定哪些张量应该被优化以及组特定的优化选项。

load_state_dict(state_dict)

加载优化器状态。

参数

state_dict (dict) – 优化器状态。应该是从调用 state_dict() 返回的对象。

register_load_state_dict_post_hook(hook, prepend=False)

注册一个 load_state_dict 后挂钩,它将在调用 load_state_dict() 后调用。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。

self 上调用 load_state_dict 后,该挂钩将使用参数 self 调用。注册的挂钩可用于在 load_state_dict 加载 state_dict 后执行后处理。

参数
  • hook (Callable) – 用户定义的要注册的挂钩。

  • prepend (bool) – 如果为 True,则提供的 post hook 将在 load_state_dict 上所有已注册的 post-hooks 之前触发。否则,提供的 hook 将在所有已注册的 post-hooks 之后触发。(默认:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

torch.utils.hooks.RemoveableHandle

register_load_state_dict_pre_hook(hook, prepend=False)

注册一个 load_state_dict 预挂钩,它将在调用 load_state_dict() 之前调用。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 参数是用户传入 load_state_dictstate_dict 的浅拷贝。该挂钩可以在原地修改 state_dict 或可选地返回一个新的。如果返回了 state_dict,它将被用于加载到优化器中。

self 上调用 load_state_dict 之前,该挂钩将使用参数 selfstate_dict 调用。注册的挂钩可用于在执行 load_state_dict 调用之前执行预处理。

参数
  • hook (Callable) – 用户定义的要注册的挂钩。

  • prepend (bool) – 如果为 True,则提供的 pre hook 将在 load_state_dict 上所有已注册的 pre-hooks 之前触发。否则,提供的 hook 将在所有已注册的 pre-hooks 之后触发。(默认:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

torch.utils.hooks.RemoveableHandle

register_state_dict_post_hook(hook, prepend=False)

注册一个 state dict 后挂钩,它将在调用 state_dict() 后调用。

它应该具有以下签名

hook(optimizer, state_dict) -> state_dict or None

self 上生成 state_dict 后,该挂钩将使用参数 selfstate_dict 调用。该挂钩可以在原地修改 state_dict 或可选地返回一个新的。注册的挂钩可用于在返回 state_dict 之前对 state_dict 执行后处理。

参数
  • hook (Callable) – 用户定义的要注册的挂钩。

  • prepend (bool) – 如果为 True,则提供的 post hook 将在 state_dict 上所有已注册的 post-hooks 之前触发。否则,提供的 hook 将在所有已注册的 post-hooks 之后触发。(默认:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

torch.utils.hooks.RemoveableHandle

register_state_dict_pre_hook(hook, prepend=False)

注册一个 state dict 预挂钩,它将在调用 state_dict() 之前调用。

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。该挂钩将使用参数 selfself 上调用 state_dict 之前调用。注册的挂钩可用于在执行 state_dict 调用之前执行预处理。

参数
  • hook (Callable) – 用户定义的要注册的挂钩。

  • prepend (bool) – 如果为 True,则提供的 pre hook 将在 state_dict 上所有已注册的 pre-hooks 之前触发。否则,提供的 hook 将在所有已注册的 pre-hooks 之后触发。(默认:False)

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

torch.utils.hooks.RemoveableHandle

register_step_post_hook(hook)

注册一个优化器步骤后挂钩,它将在优化器步骤之后调用。

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) – 用户定义的要注册的挂钩。

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

torch.utils.hooks.RemovableHandle

register_step_pre_hook(hook)

注册一个优化器步骤预挂钩,它将在优化器步骤之前调用。

它应该具有以下签名

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 被预挂钩修改,则将转换后的值作为包含 new_args 和 new_kwargs 的元组返回。

参数

hook (Callable) – 用户定义的要注册的挂钩。

返回值

一个句柄,可用于通过调用 handle.remove() 删除添加的挂钩

返回值类型

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:包含当前优化状态的 Dict。它的内容

    在优化器类之间有所不同,但一些共同特征依然存在。例如,状态是为每个参数保存的,参数本身并没有保存。 state 是一个 Dictionary,将参数 ID 映射到一个 Dict,该 Dict 包含与每个参数相对应状态。

  • param_groups:一个 List,包含所有参数组,其中每个

    参数组是一个 Dict。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 List。

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。当从 state_dict 加载时,优化器将使用 param_group params(整数 ID)和优化器 param_groups(实际的 nn.Parameter s)进行压缩,以便匹配状态,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]
        }
    ]
}
返回值类型

Dict[str, Any]

step(closure)[source]

执行单个优化步骤。

参数

closure (Callable) – 一个闭包,重新评估模型并返回损失。

zero_grad(set_to_none=True)

重置所有优化 torch.Tensor s 的梯度。

参数

set_to_none (bool) – 不设置为零,而是将梯度设置为 None。这通常会降低内存占用,并且可以适度提高性能。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 Tensor 全部为 0 的行为会不同。2. 如果用户请求 zero_grad(set_to_none=True),然后执行反向传播,则对于未接收梯度的参数,.grads 保证为 None。3. 如果梯度为 0 或 None,则 torch.optim 优化器具有不同的行为(在一种情况下,它会使用梯度为 0 执行步骤,而在另一种情况下,它会完全跳过该步骤)。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得答案

查看资源