RMSprop¶
- class torch.optim.RMSprop(params, lr=0.01, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False, capturable=False, foreach=None, maximize=False, differentiable=False)[源代码][源代码]¶
实现 RMSprop 算法。
有关算法的更多详细信息,请参考 G. Hinton 的讲义和中心化版本《生成带有循环神经网络的序列》。这里的实现是在添加 epsilon 之前取平方梯度平均的平方根(注意 TensorFlow 互换了这两个操作)。因此,有效的学习率是 ,其中 是计划的学习率, 是平方梯度的加权移动平均。
- 参数
params (可迭代对象) – 要优化的参数或命名参数的可迭代对象,或者定义参数组的字典的可迭代对象。使用命名参数时,所有组中的所有参数都应命名
alpha (float, 可选) – 平滑常数 (默认值: 0.99)
eps (float, 可选) – 添加到分母中以提高数值稳定性的项 (默认值: 1e-8)
weight_decay (float, 可选) – 权重衰减 (L2 惩罚) (默认值: 0)
momentum (float, 可选) – 动量因子 (默认值: 0)
centered (bool, 可选) – 如果
True
,则计算中心化的 RMSProp,梯度通过其方差估计进行归一化capturable (bool, 可选) – 此实例是否可以在 CUDA 图中安全捕获。传入 True 可能会影响未作图的性能,因此如果您不打算对此实例进行图捕获,请将其保留为 False (默认值: False)
foreach (bool, 可选) – 是否使用优化器的 foreach 实现。如果用户未指定(即 foreach 为 None),在 CUDA 上我们将尝试使用 foreach 而非 for 循环实现,因为它通常性能显著更高。请注意,由于中间结果是张量列表而非单个张量,foreach 实现比 for 循环版本多使用大约 sizeof(params) 的峰值内存。如果内存受限,请每次通过优化器批量处理更少的参数或将此标志设置为 False (默认值: None)
maximize (bool, 可选) – 相对于参数最大化目标函数,而不是最小化 (默认值: False)
differentiable (bool, 可选) – 在训练期间是否应通过优化器步骤进行自动梯度计算。否则,
step()
函数在torch.no_grad()
上下文环境中运行。设置为 True 可能会影响性能,因此如果您不打算通过此实例运行自动梯度计算,请将其保留为 False (默认值: False)
- add_param_group(param_group)[源代码]¶
向
Optimizer
的 param_groups 添加一个参数组。当微调预训练网络时,这可能很有用,因为可以使冻结层可训练,并随着训练的进行将其添加到
Optimizer
中。- 参数
param_group (dict) – 指定应优化哪些张量以及特定组的优化选项。
- load_state_dict(state_dict)[源代码]¶
加载优化器状态。
- 参数
state_dict (dict) – 优化器状态。应为调用
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。要为自定义情况使用参数名称(例如,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。如果加载的状态字典的param_groups
中存在param_names
,它们将被保存并覆盖优化器状态中当前存在的名称(如果存在)。如果它们不存在于加载的状态字典中,优化器的param_names
将保持不变。
- register_load_state_dict_post_hook(hook, prepend=False)[源代码]¶
注册一个
load_state_dict
后钩子,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
调用该钩子。注册的钩子可用于在load_state_dict
加载状态字典后执行后处理。- 参数
hook (可调用对象) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True,则提供的后钩子将在所有已注册的
load_state_dict
后钩子之前触发。否则,提供的钩子将在所有已注册的后钩子之后触发。(默认值: False)
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_load_state_dict_pre_hook(hook, prepend=False)[源代码]¶
注册一个
load_state_dict
前钩子,它将在调用load_state_dict()
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
参数是用户传入load_state_dict
的状态字典的浅拷贝。该钩子可以就地修改状态字典或可选地返回一个新的。如果返回状态字典,它将被用于加载到优化器中。在对
self
调用load_state_dict
前,将使用参数self
和state_dict
调用该钩子。注册的钩子可用于在进行load_state_dict
调用之前执行预处理。- 参数
hook (可调用对象) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True,则提供的前钩子将在所有已注册的
load_state_dict
前钩子之前触发。否则,提供的前钩子将在所有已注册的前钩子之后触发。(默认值: False)
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_post_hook(hook, prepend=False)[源代码]¶
注册一个
state_dict
后钩子,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
在对
self
生成状态字典后,将使用参数self
和state_dict
调用该钩子。该钩子可以就地修改状态字典或可选地返回一个新的。注册的钩子可用于在返回状态字典之前对其进行后处理。- 参数
hook (可调用对象) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True,则提供的后钩子将在所有已注册的
state_dict
后钩子之前触发。否则,提供的钩子将在所有已注册的后钩子之后触发。(默认值: False)
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_pre_hook(hook, prepend=False)[源代码]¶
注册一个
state_dict
前钩子,它将在调用state_dict()
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
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 (可调用对象) – 要注册的用户定义的钩子。
prepend (bool) – 如果为 True,则提供的前钩子将在所有已注册的
state_dict
前钩子之前触发。否则,提供的前钩子将在所有已注册的前钩子之后触发。(默认值: False)
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_step_post_hook(hook)[源代码]¶
注册一个优化器步后钩子,它将在优化器步之后被调用。
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 (可调用对象) – 要注册的用户定义的钩子。
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemovableHandle
- register_step_pre_hook(hook)[源代码]¶
注册一个优化器步前钩子,它将在优化器步之前被调用。
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 (可调用对象) – 要注册的用户定义的钩子。
- 返回
返回一个句柄,通过调用
handle.remove()
可以移除添加的钩子- 返回类型
torch.utils.hooks.RemovableHandle
- state_dict()[源代码]¶
将优化器的状态作为
dict
返回。它包含两个条目
state
: 一个字典,包含当前的优化状态。其内容在不同的优化器类之间有所不同,但有一些共同特征。例如,状态按参数保存,但参数本身不保存。
state
是一个字典,将参数 ID 映射到包含与每个参数对应的状态的字典。
param_groups
: 一个列表,包含所有参数组,其中每个参数组都是一个字典。每个参数组包含特定于优化器的元数据,如学习率和权重衰减,以及组中参数的参数 ID 列表。如果参数组是使用
named_parameters()
初始化的,则名称内容也将保存到状态字典中。
注意:参数 ID 可能看起来像索引,但它们只是将状态与 param_group 关联起来的 ID。从状态字典加载时,优化器会将 param_group 的
params
(整数 ID)与优化器的param_groups
(实际的nn.Parameter
)进行压缩,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] 'param_names' ['param0'] (optional) }, { 'lr': 0.001, 'weight_decay': 0.5, ... 'params': [1, 2, 3] 'param_names': ['param1', 'layer.weight', 'layer.bias'] (optional) } ] }
- zero_grad(set_to_none=True)[源代码]¶
重置所有优化过的
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,并可适度提高性能。然而,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 属性或全零张量的行为会不同。2. 如果用户请求
zero_grad(set_to_none=True)
后紧跟一个反向传播,则未接收到梯度的参数的.grad
将保证为 None。3. 如果梯度为 0 或 None,torch.optim
优化器会有不同的行为(在前一种情况下,它使用梯度 0 执行步骤,而在后一种情况下,它完全跳过该步骤)。