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)[source][source]¶
实现了弹性反向传播算法。
关于该算法的更多详细信息，请参考以下论文：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 (可迭代对象) – 要优化的参数或命名参数的可迭代对象，或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应命名
lr (浮点数, 可选) – 学习率 (默认值: 1e-2)
etas (元组[浮点数, 浮点数], 可选) – (etaminus, etaplus) 对，即乘性增减因子 (默认值: (0.5, 1.2))
step_sizes (元组[浮点数, 浮点数], 可选) – 允许的最小和最大步长对 (默认值: (1e-6, 50))
capturable (布尔值, 可选) – 此实例是否可以安全地在 CUDA 图中捕获。传递 True 可能会损害未图化（ungraphed）的性能，因此如果您不打算对该实例进行图捕获，请将其保留为 False (默认值: False)
foreach (布尔值, 可选) – 是否使用优化器的 foreach 实现。如果用户未指定（即 foreach 为 None），我们将尝试在 CUDA 上使用 foreach 实现而非 for-loop 实现，因为它通常性能更高。请注意，由于中间结果是张量列表而不是单个张量，foreach 实现比 for-loop 版本会额外占用约 sizeof(params) 的峰值内存。如果内存开销过大，可以每次通过优化器批量处理更少的参数，或将此标志切换为 False (默认值: None)
maximize (布尔值, 可选) – 最大化相对于参数的目标函数，而不是最小化 (默认值: False)
differentiable (布尔值, 可选) – 在训练中，自动微分（autograd）是否应通过优化器步进发生。否则，step() 函数在 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)[source]¶
添加一个参数组到
Optimizer的 param_groups 中。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，并随着训练的进行添加到
Optimizer中。- 参数
param_group (字典) – 指定哪些张量应被优化，以及组特定的优化选项。
- load_state_dict(state_dict)[source]¶
加载优化器状态。
- 参数
state_dict (dict) – 优化器状态。应该是调用
state_dict()返回的对象。
Note
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。对于自定义情况（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），要使用参数名称，应实现自定义的register_load_state_dict_pre_hook来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（如果存在的话）。如果它们在加载的状态字典中不存在，则优化器的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 hook，该 hook 将在调用
load_state_dict()后被调用。它应具有以下签名：hook(optimizer) -> None
optimizer参数是被使用的优化器实例。在对
self调用load_state_dict后，该 hook 将使用参数self被调用。注册的 hook 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 hook。
prepend (bool) – 如果为 True，提供的后置
hook将在load_state_dict上所有已注册的后置 hook 之前触发。否则，提供的hook将在所有已注册的后置 hook 之后触发。（默认值：False）
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 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 hook，该 hook 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参数是被使用的优化器实例，而state_dict参数是用户传递给load_state_dict的state_dict的浅拷贝。该 hook 可以就地修改 state_dict，或者选择返回一个新的。如果返回 state_dict，它将用于加载到优化器中。在对
self调用load_state_dict之前，该 hook 将使用参数self和state_dict被调用。注册的 hook 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 hook。
prepend (bool) – 如果为 True，提供的后置
hook将在load_state_dict上所有已注册的后置 hook 之前触发。否则，提供的hook将在所有已注册的后置 hook 之后触发。（默认值：False）
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 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 hook，该 hook 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state_dict后，该 hook 将使用参数self和state_dict被调用。该 hook 可以就地修改 state_dict，或者选择返回一个新的。注册的 hook 可用于在返回state_dict之前对其执行后处理。- 参数
hook (Callable) – 用户定义的要注册的 hook。
prepend (bool) – 如果为 True，提供的后置
hook将在state_dict上所有已注册的后置 hook 之前触发。否则，提供的hook将在所有已注册的后置 hook 之后触发。（默认值：False）
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 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 hook，该 hook 将在调用
state_dict()之前被调用。它应具有以下签名：
hook(optimizer) -> None
optimizer参数是被使用的优化器实例。在对self调用state_dict之前，该 hook 将使用参数self被调用。注册的 hook 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 hook。
prepend (bool) – 如果为 True，提供的前置
hook将在state_dict上所有已注册的前置 hook 之前触发。否则，提供的前置hook将在所有已注册的前置 hook 之后触发。（默认值：False）
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 返回类型
torch.utils.hooks.RemoveableHandle
- register_step_post_hook(hook)[source]¶
注册一个优化器 step 后置 hook，该 hook 将在优化器 step 后被调用。
它应具有以下签名：
hook(optimizer, args, kwargs) -> None
optimizer参数是被使用的优化器实例。- 参数
hook (Callable) – 用户定义的要注册的 hook。
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 返回类型
torch.utils.hooks.RemovableHandle
- register_step_pre_hook(hook)[source]¶
注册一个优化器 step 前置 hook，该 hook 将在优化器 step 前被调用。
它应具有以下签名：
hook(optimizer, args, kwargs) -> None or modified args and kwargs
optimizer参数是被使用的优化器实例。如果 args 和 kwargs 被前置 hook 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 hook。
- 返回
一个句柄，可以通过调用
handle.remove()来移除添加的 hook- 返回类型
torch.utils.hooks.RemovableHandle
- state_dict()[source]¶
将优化器的状态作为
dict返回。它包含两个条目：
state：一个 Dict，保存当前的优化状态。其内容在不同的优化器类之间有所不同，但有一些共同的特征。例如，状态是按参数保存的，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对应状态的 Dict。
param_groups：一个 List，包含所有参数组，其中每个参数组是一个 Dict。每个参数组包含优化器特定的元数据，例如学习率和权重衰减，以及该组中参数的参数 ID 列表。如果参数组是使用
named_parameters()初始化的，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 关联起来的 ID。从 state_dict 加载时，优化器将 param_group 的
params（整数 ID）与优化器的param_groups（实际的nn.Parameter）进行压缩（zip），以匹配状态，而无需额外的验证。返回的状态字典可能看起来像：
{ '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] '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)[source]¶
将所有经过优化的
torch.Tensor的梯度重置为零。- 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，并且可以适度提高性能。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 属性和全为 0 的 Tensor 会表现不同。2. 如果用户在调用
zero_grad(set_to_none=True)后紧接着执行反向传播，对于没有接收到梯度的参数，其.grad保证为 None。3.torch.optim优化器在梯度为 0 或 None 时有不同的行为（在前一种情况下，它以梯度 0 执行步骤；在后一种情况下，它完全跳过该步骤）。
