【Pytorch 】笔记七：优化器源码解析和学习率调整策略

 

❝

这是 Pytorch 系列的第七篇，共有十篇。

欢迎复习，欢迎追剧。

❞

1.写在前面

疫情在家的这段时间，想系统的学习一遍 Pytorch 基础知识，因为我发现虽然直接 Pytorch 实战上手比较快，但是关于一些内部的原理知识其实并不是太懂，这样学习起来感觉很不踏实，对 Pytorch 的使用依然是模模糊糊，跟着人家的代码用 Pytorch 玩神经网络还行，也能读懂，但自己亲手做的时候，直接无从下手，啥也想不起来，我觉得我这种情况就不是对于某个程序练得不熟了，而是对 Pytorch 本身在自己的脑海根本没有形成一个概念框架，不知道它内部运行原理和逻辑，所以自己写的时候没法形成一个代码逻辑，就无从下手。这种情况即使背过人家这个程序，那也只是某个程序而已，不能说会 Pytorch，并且这种背程序的思想本身就很可怕， 所以我还是习惯学习知识先有框架（至少先知道有啥东西）然后再通过实战（各个东西具体咋用）来填充这个框架。而「这个系列的目的就是在脑海中先建一个 Pytorch 的基本框架出来，学习知识，知其然，知其所以然才更有意思 ;)」。

今天是该系列的第七篇文章，依然是基于上次模型的权值初始化和损失函数介绍，已经把损失函数模块整理完毕，我们知道损失函数的作用是衡量模型输出与真实标签的差异，当我们有了这个 loss 之后，我们就可以通过反向传播机制得到参数的梯度，那么我们如何利用这个梯度进行更新参数使得模型的 loss 逐渐的降低呢？这个就是优化器干的活了，所以今天开始进入优化器模块，首先学习优化器的概念，然后学习优化器的属性和方法，介绍常用的优化器的原理。关于优化器，最重要的一个参数就是学习率，这个控制着参数更新的一个步伐， 在模型训练中，对于学习率的调整也是非常关键的，所以最后整理一些关于学习率调整的六种策略。

「大纲如下：」

• 优化器（什么是优化器，优化器运行机制、属性和方法，常用的优化器介绍）
• 学习率调整策略(为什么调整学习率， 六种学习率调整策略）
• 梳理总结

下面依然是一张导图把这次的知识拎起来，方便以后查阅：

2.优化器

进行优化器的具体概念之前，我们得看看优化器要干一个什么样的事情， 我们知道了机器学习的五个步骤：数据 -> 模型 -> 损失 -> 优化器 -> 迭代训练。我们通过前向传播的过程，得到了模型输出与真实标签的差异，我们称之为损失， 有了损失，我们会进入反向传播过程得到参数的梯度，那么接下来就是优化器干活了，优化器要根据我们的这个梯度去更新参数，使得损失不断的减低。那么优化器是怎么做到的呢？下面我们从三部分进行展开，首先是优化器的概念，然后是优化器的属性和方法，最后是常用的优化器。

2.1 什么是优化器

Pytorch 的优化器：管理并更新模型中可学习参数的值，使得模型输出更接近真实标签。

我们在更新参数的时候一般使用梯度下降的方式去更新，那么什么是梯度下降呢？说这个问题之前得先区分几个概念：

• 导数：函数在指定坐标轴上的变化率；
• 方向导数：指定方向上的变化率；
• 梯度：一个向量，方向为方向导数取得最大值的方向。

我们知道梯度是一个向量，它的方向是导数取得最大值的方向，也就是增长最快的方向，而梯度下降就是沿着梯度的负方向去变化，这样函数的下降也是最快的。所以我们往往采用梯度下降的方式去更新权值，使得函数的下降尽量的快。

2.2 Optimizer 的基本属性和方法

下面我们学习 Pytorch 里面优化器的基本属性：

• defaults: 优化器超参数，里面会存储一些学习了，momentum 的值，衰减系数等
• state: 参数的缓存，如 momentum 的缓存（使用前几次梯度进行平均）
• param_groups: 管理的参数组，这是个列表，每一个元素是一个字典，在字典中有 key，key 里面的值才是我们真正的参数（「这个很重要，进行参数管理」）
• _step_count: 记录更新次数，学习率调整中使用，比如迭代 100 次之后更新学习率的时候，就得记录这里的 100

优化器里面的基本方法：

• zero_grad()：清空所管理参数的梯度， 里注意Pytorch有一个特性就是「张量梯度不自动清零」
• step(): 执行一步更新
• add_param_group(): 添加参数组，我们知道优化器管理很多参数，这些参数是可以分组的，我们对不同组的参数可以设置不同的超参数，比如模型 finetune 中，我们希望前面特征提取的那些层学习率小一些，而后面我们新加的层学习率大一些更新快一点，就可以用这个方法

• state_dict(): 获取优化器当前状态信息字典
• load_state_dict(): 加载状态信息字典，这两个方法用于模型断点的一个续训练， 所以我们在模型训练的时候，一般多少个 epoch 之后就要保存当前的状态信息。

了解了优化器的基本属性和方法之后，我们去代码中看看优化器的运行机制了， 依然是代码调试的方法， 还记得我们的人民币二分类任务吗？我们进行优化器部分的调试：我们在优化器的定义那打上断点，然后 debug

点击步入，进入 sgd.py 的 SGD 类：

SGD 类是继承于 optimizer 的，所以我们将代码运行到父类初始化的这一行，点击步入，看看是如何初始化的：

这里就是 optimizer 的 __init__ 初始化部分了，可以看到上面介绍的那几个属性和它们的初始化方法，当然这里有个最重要的就是参数组的添加，我们看看是怎么添加的：

这里重点说一下这个，我们还记得初始化 SGD 的时候传入了一个形参：optim.SGD(net.parameters(), lr=LR, momentum=0.9)，这里的net.parameters() 就是神经网络的每层的参数，SGD 在初始化的时候， 会把这些参数以参数组的方式再存起来，上图中的 params 就是神经网络每一层的参数。

下面我们跳回去， 看看执行完这个初始化参数变成了什么样子：

这就是优化器的初始化工作了， 初始化完了之后， 我们就可以进行梯度清空，然后更新梯度即可：

这就是优化器的使用了。

下面我们学习优化器具体的方法：

1.step(): 一次梯度下降更新参数

2.zero_grad()：将梯度清零

3.add_param_group(): 添加参数组 这个是在模型的迁移学习中非常实用的一个方法，我们看看怎么用：

4.state_dict()和load_state_dict()

这两个方法用于保存和加载优化器的一个状态信息，通常用在断点的续训练， 比如我们训练一个模型，训练了10次停电了， 那么再来电的时候我们就得需要从头开始训练，但是如果有了这两个方法，我们就可以再训练的时候接着上次的次数继续， 所以这两个也非常实用。

首先是state_dict()

我们可以看到，state_dict() 方法里面保存了我们优化器的各种状态信息，我们通过 torch.save 就可以保存这些状态到文件(.pkl)， 这样假设此时停电了。好，我们就可以通过 load_state_dict() 来导入这个状态信息，让优化器在这个基础上进行训练，看看是怎么做的？

好了，这就是优化器的初始化和优化器的 5 个方法的使用了。了解了这些知识之后，我们就知道了优化器的运行机制，管理和更新模型的可学习参数（管理是通过各种属性，尤其是 param_groups 这个重要的属性，而更新是通过各种方法，主要是 step()方法进行更新）。那么究竟有哪些常用的优化器呢？它们又用于什么场景呢？下面我们就来看看：

2.3 常用的优化器

这次我们会学习 Pytorch 中的 10 种优化器，但是在介绍这些优化器之前，得先学习两个非常重要的概念， 那就是学习率和动量。我们先从学习率开始：

2.3.1 学习率

在梯度下降过程中，学习率起到了控制参数更新的一个步伐的作用， 参数更新公式我们都知道：

如果没有这个学习率 LR 的话，往往有可能由于梯度过大而错过我们的最优值，就是下面这种感觉：

随着迭代次数的增加，反而越增越大， 就是因为这个步子太大了，跳过了我们的最优值。所以这时候我们想让他这个跨度小一些，就得需要一个参数来控制我们的这个跨度，这个就是学习率。这样说起来，有点抽象，我们还是从代码中看看吧：

我们可以看一下上面的图像，loss 是不断上升的，这说明这个跨度是有问题的，所以下面我们尝试改小一点学习率，我们就可以发现区别了：

我们发现，当 loss 上升不降的时候，有可能是学习率的问题，所以我们一般会尝试一个小的学习率。慢慢的去进行优化。

学习率一般是我们需要调的一个非常重要的超参数， 我们一般是给定一个范围，然后画出 loss 的变化曲线，看看哪学习率比较好，当然下面也会重点学习学习率的调整策略。

2.3.2 动量

Momentum：结合当前梯度与上一次更新信息， 用于当前更新。这么说可能有点抽象， 那么我们可以举个比较形象的例子：

那么这个动量是怎么作用于我们的更新的呢？在这之前，我们得先学习一个概念叫做指数加权平均， 指数加权平均在时间序列中经常用于求取平均值的一个方法，它的思想是这样，我们要求取当前时刻的平均值，距离当前时刻越近的那些参数值，它的参考性越大，所占的权重就越大，这个权重是随时间间隔的增大呈指数下降，所以叫做指数滑动平均。公式如下：

是当前时刻的一个平均值，这个平均值有两项构成，一项是当前时刻的参数值 , 所占的权重是， 这个 是个参数。另一项是上一时刻的一个平均值，权重是 。

当然这个公式看起来还是很抽象，丝毫没有看出点指数滑动的意思， 那么还是用吴恩达老师PPT里的一个例子解释一下吧：

看上面这个温度图像，横轴是第几天，然后纵轴是温度，假设我想求第 100 天温度的一个平均值，那么根据上面的公式：

最下面这一行就是通式了，我们发现，距离当前时刻越远的那些值，它的权重是越来越小的，因为小于 1， 所以间隔越远，小于 1 的这些数连乘，权重越来越小，而且是乘指数下降，因为这里是 。下面通过代码看一下这个权重，也就是 是怎么变化的，亲身感受一下这里的指数下降：

距离当前时刻越远，对当前时刻的一个平均值影响就越小。距离当前时刻越近，对当前时刻的一个平均值影响越大，这就是指数加权平均的思想了。这里我们发现，有个超参数, 这个到底是干嘛的？ 我们先来观察一个图， 还是上面的代码，我们设置不同的来观察一下这个权重的变化曲线：

我们可以发现，beta 越小，就会发现它关注前面一段时刻的距离就越短，比如这个0.8， 会发现往前关注20天基本上后面的权重都是0了，意思就是说这时候是平均的过去20天的温度， 而0.98这个，会发现，关注过去的天数会非常长，也就是说这时候平均的过去50天的温度。所以「beta在这里控制着记忆周期的长短，或者平均过去多少天的数据」，这个天数就是, 通常beta设置为0.9， 物理意义就是关注过去10天左右的一个温度。这个参数也是比较重要的， 还是拿吴恩达老师PPT的一张图片：

看上图，是不同 beta 下得到的一个温度变化曲线

• 红色的那条，是 beta=0.9， 也就是过去10天温度的平均值
• 绿色的那条，是 beta=0.98， 也就是过去50天温度的平均值
• 黄色的那条，beta=0.5， 也就是过去2天的温度的平均

可以发现，如果这个很高， 比如0.98， 最终得到的温度变化曲线就会平缓一些，因为多平均了几天的温度， 缺点就是曲线进一步右移， 因为现在平均的温度值更多， 要平均更多的值， 指数加权平均公式，在温度变化时，适应的更缓慢一些，所以会出现一些延迟，因为如果=0.98，这就相当于给前一天加了太多的权重，只有0.02当日温度的权重,所以温度变化时，温度上下起伏，当变大时，指数加权平均值适应的更缓慢一些, 换了0.5之后，由于只平均两天的温度值，平均的数据太少，曲线会有很大的噪声，更有可能出现异常值，但这个曲线能够快速适应温度的变化。所以这个过大过小，都会带来问题。一般取0.9.

好了，理解了指数滑动平均之后，就来看看我们的 Momentum 了，其实所谓的 Momentum 梯度下降， 基本的想法是「计算梯度的指数加权平均数，并利用该梯度更新权重」，我们看看在 Pytorch 中是怎么实现的：

普通的梯度下降：

Momentum梯度下降：

这里的就是momentum系数，表示更新量， 是的梯度。这里的就是既考虑了当前的梯度，也考虑了上一次梯度的更新信息， 如果还是很抽象，那么再推导一下就可以：

这样，就可以发现，当前梯度的更新量会考虑到当前梯度， 上一时刻的梯度，前一时刻的梯度，这样一直往前，只不过越往前权重越小而已。下面再通过代码看一下momentum的作用：我们有0.01和0.03两个学习率，训练模型，我们看看loss的变化曲线：

现在，我们给学习率0.01的这个加一个动量momentum， 再看看效果：

可以看到加上动量的0.01收敛的速度快了，但是前面会有震荡， 这是因为这里的m太大了，当日温度的权重太小，所以前面梯度一旦大小变化，这里就会震荡，当然会发现震荡会越来越小最后趋于平缓，这是因为不断平均的梯度越来越多。   这时候假设我们减少动量m， 效果会好一些，比如0.63：

好了，学习率和动量解释清楚了，下面就看看常用的优化器了。

2.3.3 常用优化器介绍

optim.SGD

• param: 管理的参数组
• lr: 初识学习率
• momentum：动量系数， beta
• weight_decay: L2 正则化系数
• nesterov: 是否采用 NAG

这个优化器是非常常用的。然后下面列出 10 款优化器，具体的不去介绍， 可以大体了解有哪些优化器可用：

• optim.SGD: 随机梯度下降法
• optim.Adagrad: 自适应学习率梯度下降法
• optim.RMSprop: Adagrad 的改进
• optim.Adadelta: Adagrad 的改进
• optim.Adam: RMSprop 结合 Momentum
• optim.Adamax: Adam 增加学习率上限
• optim.SparseAdam: 稀疏版的 Adam
• optim.ASGD: 随机平均梯度下降
• optim.Rprop: 弹性反向传播
• optim.LBFGS: BFGS 的改进

这里面比较常用的就是optim.SGD和optim.Adam， 其他优化器的详细使用方法移步官方文档。

3.学习率调整策略

上面我们已经学习了优化器，在优化器当中有很多超参数，例如学习率，动量系数等，这里面最重要的一个参数就是学习率。它直接控制了参数更新步伐的大小，整个训练当中，学习率也不是一成不变的，也可以调整和变化。 所以下面整理学习率的调整策略，首先是为什么要调整学习率，然后是 Pytorch 的六种学习率调整策略，最后是小结一下：

3.1 为什么要调整学习率

学习率是可以控制更新的步伐的。我们在训练模型的时候，一般开始的时候学习率会比较大，这样可以以一个比较快的速度到达最优点的附近，然后再把学习率降下来， 缓慢的去收敛到最优值。这样说可能比较抽象，玩过高尔夫球吗？我们可以看一个例子：

我们开始的时候，一般是大力把球打到洞口的旁边，然后再把力度降下来，一步步的把球打到洞口，这里的学习率调整也差不多是这个感觉。

当然，再看一个函数的例子也行：

所以，在模型的训练过程中，调整学习率也是非常重要的，「学习率前期要大，后期要小」。Pytorch中提供了一个很好的学习率的调整方法，下面我们就来具体学习，学习率该如何进行调整。

3.2 Pytorch的学习率调整策略

在学习学习率调整策略之前，得先学习一个基类， 因为后面的六种学习率调整策略都是继承于这个类的，所以得先明白这个类的原理：

主要属性：

• optimizer: 关联的优化器， 得需要先关联一个优化器，然后再去改动学习率
• last_epoch: 记录epoch数， 学习率调整以epoch为周期
• base_lrs: 记录初始学习率

主要方法：

• step(): 更新下一个epoch的学习率， 这个是和用户对接
• get_lr(): 虚函数， 计算下一个epoch的学习率， 这是更新过程中的一个步骤

下面依然是人民币二分类的例子，看看LRScheduler的构建和使用：

老规矩，打断点，debug，然后步入这个lr_scheduler.StepLR这个类。这个类就是继承_LRScheduler的。我们运行到初始化的父类初始化那一行，然后再次步入。

看看父类的这个__init__怎么去构建一个最基本的Scheduler的。

这样我们就构建好了一个Scheduler。下面就看看这个Scheduler是如何使用的， 当然是调用step()方法更新学习率了， 那么这个step()方法是怎么工作的呢？继续调试：打断点，debug，步入：

步入之后，我们进入了_LRScheduler的step函数，

我们发现，这个跳到了我们的StepLR这个类里面，因为我们说过，这个get_lr在基类里面是个虚函数，我们后面编写的Scheduler要继承这个基类，并且要覆盖这个get_lr函数，要不然程序不知道你想怎么个衰减学习率法啊。所以我们得把怎么减学习率通过这个函数告诉程序：

可以看到这里面就用到了初始化时候的base_lr属性。

下面关于优化器的定义和使用的内部运行原理就可以稍微总结了，首先我们在定义优化器的时候，这时候会完成优化器的初始化工作， 主要有关联优化器(self.optimizer属性), 然后初始化last_epoch和base_lrs(记录原始的学习率，后面get_lr方法会用到)。然后就是用Scheduler，我们是直接用的step()方法进行更新下一个epoch的学习率（这个千万要注意放到epoch的for循环里面而不要放到batch的循环里面 ），而这个内部是在_Scheduler类的step()方法里面调用了get_lr()方法， 而这个方法需要我们写Scheduler的时候自己覆盖，告诉程序按照什么样的方式去更新学习率，这样程序根据方式去计算出下一个epoch的学习率，然后直接更新进优化器的_param_groups()里面去。

好了，下面就可以学习Pytorch提供的六种学习率调整策略：

1. StepLR 功能：等间隔调整学习率step_size表示调整间隔数， gamma表示调整系数， 调整方式就是, 这里的gamma一般是0.1-0.5。用的时候就是我们指定step_size，比如50， 那么就是50个epoch调整一次学习率，调整的方式就是。下面从代码里面直观感受一下这种调整策略：

2. MultiStepLR 功能：按给定间隔调整学习率这里的milestones表示设定调整时刻数， gamma也是调整系数，调整方式依然是， 只不过和上面不同的是，这里的间隔我们可以自己调，构建一个list，比如[50, 125, 150]， 放入到milestones中，那么就是50个epoch，125个epoch，150个epoch调整一次学习率。依然是从代码里面感受一下：

3. ExponentialLR 功能：按指数衰减调整学习率gamma表示指数的底了。 调整方式：， 这个观察一下代码：

4. CosineAnnealingLR 功能：余弦周期调整学习率T_max表示下降周期，只是往下的那一块。eta_min表示学习率下限， 调整方式：

   下面直接从代码中感受：

5. ReduceLRonPlateau 功能: 监控指标， 当指标不再变化则调整， 「这个非常实用」。可以监控loss或者准确率，当不在变化的时候，我们再去调整。主要参数：

   
   下面我们直接从代码中学习这个学习率调整策略的使用：上面是学习率一直保持不变，如果我们在第5个epoch更新一下子，那么这个更新策略会成什么样呢？

• mode: min/max两种模式（min就是监控指标不下降就调整，比如loss，max是监控指标不上升就调整， 比如acc）
• factor: 调整系数，类似上面的gamma
• patience: "耐心", 接受几次不变化， 这一定要是连续多少次不发生变化
• cooldown: "冷却时间", 停止监控一段时间
• verbose：是否打印日志， 也就是什么时候更新了我们的学习率
• min_lr: 学习率下限
• eps: 学习率衰减最小值

• LambdaLR 功能：自定义调整策略，这个也比较实用，可以自定义我们的学习率更新策略，这个就是真的告诉程序我们想怎么改变学习率了。并且「还可以对不同的参数组设置不同的学习率调整方法，所以在模型的finetune中非常实用」。这里的lr_lambda表示function或者是list。这个我们从代码中进行学习：但这个过程到底是怎么实现的呢？我们依然可以debug看一下过程，依然是调用get_lr()函数，但是我们这里看看这里面到底是怎么实现自定义的：我们再这里再次stepinto ,就会发现跳到了我们自定义的两个更新策略上来：

好了，六种学习率调整策略已经整理完毕，下面小结一下：

1. 有序调整：Step、MultiStep、 Exponential和CosineAnnealing， 这些得事先知道学习率大体需要在多少个epoch之后调整的时候用
2. 自适应调整：ReduceLROnPleateau， 这个非常实用，可以监控某个参数，根据参数的变化情况自适应调整
3. 自定义调整：Lambda， 这个在模型的迁移中或者多个参数组不同学习策略的时候实用

调整策略就基本完了，那么我们得先有个初始的学习率啊， 下面介绍两种学习率初始化的方式：

• 设置较小数：0.01， 0.001， 0.0001
• 搜索最大学习率：看论文《Cyclical Learning Rates for Training Neural Networks》, 这个就是先让学习率从0开始慢慢的增大，然后观察acc， 看看啥时候训练准确率开始下降了，就把初始学习率定为那个数。

4. 总结

今天的内容就是这些了，还是有点多的，依然是快速梳理一遍，我们今天开始的优化器模块，优化器管理更新参数，不断降低损失。首先从优化器本身开始学习，学习了优化器的基本属性和方法，并通过代码调试的方式了解了优化器的初始化和使用原理。然后学习了常用的优化器，介绍了两个非常关键的概念学习率和动量， 学习了SGD优化器。优化器中非常重要的一个参数就是学习率，在模型的训练过程中，对学习率调整非常关键，所以最后又学习了学习率的6种调整策略，从三个维度进行总结。

好了， 优化器模块介绍完毕， 我们再回忆一下机器模型训练的五个步骤， 数据模块 -> 模型模块 -> 损失函数模块 -> 优化器模块 -> 迭代训练。前四个模块我们都一一介绍完毕，下面我们进入最后一个模块的学习，这里面首先就是迭代训练过程中的可视化模块TensorBoard， 我们继续Rush ;)

所有代码链接：

❝

链接：https://pan.baidu.com/s/1c5EYdd0w8j6w3g54KTxJJA 提取码：k7rh

❞

阿泽的学习交流群开通了，加微信，我拉你进群（有问题在群里聊，可以集思广益）：