Rprop¶
- class torch.optim.Rprop(params, lr=0.01, etas=(0.5, 1.2), step_sizes=(1e-06, 50), *, capturable=False, foreach=None, maximize=False, differentiable=False)[源代码]¶
实现弹性反向传播算法。
有关算法的更多详细信息,请参阅论文 一种用于更快反向传播学习的直接自适应方法:RPROP 算法。
- 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, 可选) – 学习率(默认值:1e-2)
etas (Tuple[float, float], 可选) – 一对 (etaminus, etaplus),它们是乘法增加和减少因子(默认值:(0.5, 1.2))
step_sizes (Tuple[float, float], 可选) – 一对允许的最小和最大步长(默认值:(1e-6, 50))
foreach (bool, 可选) – 是否使用优化器的 foreach 实现。如果用户未指定(因此 foreach 为 None),我们将在 CUDA 上尝试使用 foreach 来替代 for 循环实现,因为它通常明显更高效。请注意,foreach 实现比 for 循环版本使用 ~ sizeof(params) 更多的峰值内存,因为中间变量是张量列表,而不仅仅是一个张量。如果内存有限,请一次通过优化器处理更少的参数,或将此标志切换为 False(默认值:None)
capturable (bool, 可选) – 此实例是否可以安全地捕获在 CUDA 图中。传递 True 可能会损害未图形化的性能,因此如果您不打算图形捕获此实例,请将其保留为 False(默认值:False)
maximize (bool, 可选) – 相对于 params 最大化目标函数,而不是最小化(默认值:False)
differentiable (bool, 可选) – 是否应在训练期间通过优化器步骤进行自动微分。否则,step() 函数将在 torch.no_grad() 上下文中运行。设置为 True 可能会损害性能,因此如果您不打算通过此实例运行自动微分,请将其保留为 False(默认值:False)
- add_param_group(param_group)¶
将参数组添加到
Optimizer
的 param_groups 中。这在微调预训练网络时可能很有用,因为冻结层可以变得可训练并随着训练的进行添加到
Optimizer
中。- 参数
param_group (dict) – 指定应优化的张量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,该挂钩将在调用
load_state_dict()
之后调用。它应该具有以下签名hook(optimizer) -> None
该
optimizer
参数是正在使用的优化器实例。在对
self
调用load_state_dict
之后,将使用参数self
调用该挂钩。注册的挂钩可用于在load_state_dict
加载了state_dict
之后执行后处理。- 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
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()
之前调用。它应该具有以下签名hook(optimizer, state_dict) -> state_dict or None
该
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
的浅层副本。该挂钩可能会就地修改 state_dict,或者可以选择返回一个新的。如果返回了 state_dict,则它将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
调用该挂钩。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) – 用户定义的要注册的挂钩。
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
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)¶
注册一个状态字典后挂钩,该挂钩将在调用
state_dict()
之后调用。它应该具有以下签名
hook(optimizer, state_dict) -> state_dict or None
该挂钩将使用参数
self
和state_dict
调用,在对self
生成state_dict
之后。该挂钩可能会就地修改 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
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)¶
注册一个状态字典前挂钩,该挂钩将在调用
state_dict()
之前调用。它应该具有以下签名
hook(optimizer) -> None
该
optimizer
参数是正在使用的优化器实例。该挂钩将使用参数self
调用,在对self
调用state_dict
之前。注册的挂钩可用于在进行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,则提供的预
hook
将在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
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挂钩,该挂钩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
该
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
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挂钩,该挂钩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
该
optimizer
参数是正在使用的优化器实例。如果 args 和 kwargs 由预挂钩修改,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) – 用户定义的要注册的挂钩。
- 返回
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
:一个字典,保存当前优化状态。它的内容在不同的优化器类之间有所不同,但一些常见的特征保持不变。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,其中包含与每个参数相对应。 的状态。
param_groups
:一个包含所有参数组的列表,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参数组关联的 ID。从 state_dict 加载时,优化器将压缩参数组
params
(int ID)和优化器param_groups
(实际的nn.Parameter
)以匹配状态,无需额外的验证。返回的 state_dict 可能看起来像
{ '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)¶
重置所有优化
torch.Tensor
的梯度。- 参数
set_to_none (bool) – 而不是设置为零,将梯度设置为 None。这通常具有更低的内存占用,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 属性或全为 0 的张量将会有不同的行为。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(在一种情况下,它使用梯度 0 进行步骤,而在另一种情况下,它完全跳过步骤)。