快捷方式

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。

input:θ0Rd (params),f(θ) (objective),η+/ (etaplus, etaminus),Γmax/min (step sizes)initialize:gprev00,η0lr (learning rate)fort=1todogtθft(θt1)for i=0,1,,d1doifgprevigti>0ηtimin(ηt1iη+,Γmax)else ifgprevigti<0ηtimax(ηt1iη,Γmin)gti0elseηtiηt1iθtθt1ηtsign(gt)gprevgtreturnθt\begin{aligned} &\rule{110mm}{0.4pt} \\ &\textbf{input} : \theta_0 \in \mathbf{R}^d \text{ (params)},f(\theta) \text{ (objective)}, \\ &\hspace{13mm} \eta_{+/-} \text{ (etaplus, etaminus)}, \Gamma_{max/min} \text{ (step sizes)} \\ &\textbf{initialize} : g^0_{prev} \leftarrow 0, \: \eta_0 \leftarrow \text{lr (learning rate)} \\ &\rule{110mm}{0.4pt} \\ &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{5mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm} \textbf{for} \text{ } i = 0, 1, \ldots, d-1 \: \mathbf{do} \\ &\hspace{10mm} \textbf{if} \: g^i_{prev} g^i_t > 0 \\ &\hspace{15mm} \eta^i_t \leftarrow \mathrm{min}(\eta^i_{t-1} \eta_{+}, \Gamma_{max}) \\ &\hspace{10mm} \textbf{else if} \: g^i_{prev} g^i_t < 0 \\ &\hspace{15mm} \eta^i_t \leftarrow \mathrm{max}(\eta^i_{t-1} \eta_{-}, \Gamma_{min}) \\ &\hspace{15mm} g^i_t \leftarrow 0 \\ &\hspace{10mm} \textbf{else} \: \\ &\hspace{15mm} \eta^i_t \leftarrow \eta^i_{t-1} \\ &\hspace{5mm}\theta_t \leftarrow \theta_{t-1}- \eta_t \mathrm{sign}(g_t) \\ &\hspace{5mm}g_{prev} \leftarrow g_t \\ &\rule{110mm}{0.4pt} \\[-1.ex] &\bf{return} \: \theta_t \\[-1.ex] &\rule{110mm}{0.4pt} \\[-1.ex] \end{aligned}

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 Optimizerparam_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

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

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_dictstate_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 selfstate_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 selfstate_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

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

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

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]
        }
    ]
}
返回类型

Dict[str, Any]

step(closure=None)[source]

执行单个优化步骤。

参数

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

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)。

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

查找开发资源并获取问题的解答

查看资源