一、优化器是什么

优化器（Optimizer）是一个算法，用于在训练过程中调整模型的参数，以便最小化损失函数（Loss Function）。损失函数衡量的是模型预测值与真实值之间的差异，而优化器则负责通过更新模型的权重（Weights）和偏置（Biases）来减少这种差异。

利用得到的梯度，用优化器对梯度进行修正，从而得到整体误差降低的目的。

优化器Optimizer 所需要从参数：

参数解析：

• model.parameters()是训练的模型
• lr（LearningRate）是学习率，这是最核心的参数之一，它决定了在每次迭代中参数更新的步长。如果学习率太高，可能会导致训练过程中的梯度爆炸，使模型无法收敛，训练很不稳定；如果学习率太低，训练过程可能会变得非常缓慢。
  推荐一开始用大的lr值进行运算，到后面用小的lr再进行运算。
• 动量（Momentum）往往是特定参数，是用于加速梯度下降方法，特别是在处理凸优化问题时。它通过在连续的迭代中累积梯度信息来帮助优化器克服局部最小值，并加快收敛速度。

二、优化器的使用

本文使用我的上一章内容神经网络内容进行续写，神经网络具体可跳转损失函数和反向传播

使用一下代码来进行梯度优化：

    optim.zero_grad()# 向后传播result_loss.backward()#这一步对数值进行调优optim.step()

整体代码如下：

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10("../data", train=False, transform=torchvision.transforms.ToTensor(), download= True)dataloader = DataLoader (dataset, batch_size = 1)
class Sen(nn.Module):def __init__(self):super(Sen,self).__init__()self.model1 = Sequential(Conv2d(3, 32, 5, 1, 2),MaxPool2d(2),Conv2d(32, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self, x):x = self.model1(x)return xloss = nn.CrossEntropyLoss()
sen = Sen()#随机梯度下降
optim = torch.optim.SGD(sen.parameters(), lr=0.01)for data in dataloader:imgs, tatgets = dataoutputs = sen(imgs)result_loss = loss(outputs, tatgets)#对参数进行梯度清零optim.zero_grad()# 向后传播result_loss.backward()#这一步对数值进行调优optim.step()

在未运行时的梯度没有值：

当运行一下：

可以看到每个参数节点的值被计算出来了。

当for循环第二次运行的时候，可以看到grad梯度已经被优化了：

通过反复循环，上图中的data数据，也就是loss就会越来越被优化。

上面的for循环其实是为数据的一次小循环，我们可以加上epoch 外嵌套 进行数据的一轮轮循环深度优化：

for epoch in range(20):running_loss = 0.0#这里只是进行了一次的学习for data in dataloader:imgs, tatgets = dataoutputs = sen(imgs)result_loss = loss(outputs, tatgets)#对参数进行梯度清零optim.zero_grad()# 向后传播result_loss.backward()#这一步对数值进行调优aoptim.step()#这一步就相当于所有误差的一个整体求和running_loss = running_loss + result_loss

整体代码：

import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterdataset = torchvision.datasets.CIFAR10("../data", train=False, transform=torchvision.transforms.ToTensor(), download= True)dataloader = DataLoader (dataset, batch_size = 1)
class Sen(nn.Module):def __init__(self):super(Sen,self).__init__()self.model1 = Sequential(Conv2d(3, 32, 5, 1, 2),MaxPool2d(2),Conv2d(32, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self, x):x = self.model1(x)return xloss = nn.CrossEntropyLoss()
sen = Sen()#随机梯度下降
optim = torch.optim.SGD(sen.parameters(), lr=0.01)#这里是进行一轮一轮的学习
for epoch in range(20):running_loss = 0.0#这里只是进行了一次的学习for data in dataloader:imgs, tatgets = dataoutputs = sen(imgs)result_loss = loss(outputs, tatgets)#对参数进行梯度清零optim.zero_grad()# 向后传播result_loss.backward()#这一步对数值进行调优aoptim.step()#这一步就相当于所有误差的一个整体求和running_loss = running_loss + result_lossprint(running_loss)

运行结果如下，可以看到，整个神经网络在所有的数据当中，它的误差之和如下：

在第一轮优化的时候，整个神经网络的误差之和是18779
在第二轮优化的时候，整个神经网络的误差之和是16205
在第三轮优化的时候，整个神经网络的误差之和是15448

可以看到，通过优化器的一轮轮优化，整体的loss值会一直降低，从而达到数据优化的效果。

三、分类模型VGG16

pytorch为我们提供了很多网络模型，其中包括分类模型VGG16

分类模型VGG16是基于ImageNet数据集进行训练的，所以我们需要下载ImageNet数据集

由于ImageNet数据集的内存为143g，会发生以下报错，需要我们自己去下载ImageNet数据集再放在根目录当中。

既然ImageNet数据集太大，那么就换一条思路，用一下方法加载vgg16

import torchvision.datasets
vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_True = torchvision.models.vgg16(pretrained=True)
print('ok')

如果pretrained = True，说明这个数据集已经是训练好的了。
如果pretrained = False，说明这些参数是一个初始参数，没有在任何参数集上面进行训练。
如果progress = True，显示下载进度条
如果progress = Flase，则不显示下载进度条

vgg16_false = torchvision.models.vgg16(pretrained=False)，这代码表示只是加载网络模型（也就是像之前的网络模型那样，只是加载模型，含有卷积，池化等，其中的参数都是默认的），所以它不需要下载。
vgg16_True = torchvision.models.vgg16(pretrained=True)，这代码表示需要把网络模型参数进行一个下载，还要加载对应的参数。故它需要进行下载。
简单理解就是False不需要进行下载，而True需要进行下载。
VGG16将数据集分成1000个类。

print(vgg16_true)
输出结果：


看它把各种卷积层，最大池化都自动按参数下载好了。

常用的CIFAR10会把数据集分成10个类。
vgg16会把数据集分成1000个类，如上图的out_features=1000

四、现有网络模型的修改

方法：像上面得到的是out_features=1000，我们可以进行一个新的处理，通过Linear将输入是1000，而输出为10，从而达到降类的效果。

vgg16_true.add_module("add_linear", nn.Linear(1000, 10))

运行得到：

可以看到，在add_linear这里的out_features=10

如果要想类的改变在classifier当中，那么代码只需要添加上classifier

vgg16_true.classifier.add_module("add_linear", nn.Linear(1000, 10))

运行结果：

整体代码如下：

import torchvision.datasets
from torch import nnvgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)print(vgg16_true)train_data = torchvision.datasets.CIFAR10("./data",train=True, transform=torchvision.transforms.ToTensor(),download=True)vgg16_true.classifier.add_module("add_linear", nn.Linear(1000, 10))

如果想直接在上面 （6）Linear 里面修改out_features，而不是新命名一个（add_linear）进行修改也是可以的

用vgg16_flase进行示范：

在没进行修改前print(vgg16_false)

运行结果：

直接在（6）Linear中修改out_features为10

代码：

vgg16_false.classifier[6] = nn.Linear(4096, 10)

运行结果：

可以看到out_features=10,从而成功修改现有的网络模型。