突破Pytorch核心点，优化器 ！！

优化器在深度学习中的选择直接影响模型的训练效果和速度。不同的优化器适用于不同的问题，其性能的差异可能导致模型更快、更稳定地收敛，或者在某些任务上表现更好。

因此，选择合适的优化器是深度学习模型调优中的一个关键决策，能够显著影响模型的性能和训练效率。

PyTorch本身提供了许多优化器，用于训练神经网络时更新模型的权重。

突破Pytorch核心点，优化器！！

常见优化器

咱们先列举PyTorch中常用的优化器，以及简单介绍：

(1) SGD (Stochastic Gradient Descent)

随机梯度下降是最基本的优化算法之一。它通过计算损失函数关于权重的梯度，并沿着梯度的负方向更新权重。

optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)1.

(2) Adam

Adam是一种自适应学习率的优化算法，结合了AdaGrad和RMSProp的思想。它能够自适应地为每个参数计算不同的学习率。

optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)1.

(3) Adagrad

Adagrad是一种自适应学习率的优化算法，根据参数的历史梯度调整学习率。但由于学习率逐渐减小，可能导致训练过早停止。

optimizer = torch.optim.Adagrad(model.parameters(), lr=learning_rate)1.

(4) RMSProp

RMSProp也是一种自适应学习率的算法，通过考虑梯度的滑动平均来调整学习率。

optimizer = torch.optim.RMSprop(model.parameters(), lr=learning_rate)1.

(5) Adadelta

Adadelta是一种自适应学习率的优化算法，是RMSProp的改进版本，通过考虑梯度的移动平均和参数的移动平均来动态调整学习率。

optimizer = torch.optim.Adadelta(model.parameters(), lr=learning_rate)1.

一个完整案例

在这里，咱们聊聊如何使用PyTorch训练一个简单的卷积神经网络（CNN）来进行手写数字识别。

这个案例使用的是MNIST数据集，并使用Matplotlib库绘制了损失曲线和准确率曲线。

import torchimport torch.nn as nnimport torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoaderimport matplotlib.pyplot as plt

# 设置随机种子
torch.manual_seed(42)# 定义数据转换
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])# 下载和加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)# 定义简单的卷积神经网络模型class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 64 * 7 * 7)
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 创建模型、损失函数和优化器
model = CNN()criterion = nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
num_epochs = 5train_losses = []train_accuracies = []for epoch in range(num_epochs):
    model.train()
    total_loss = 0.0
    correct = 0
    total = 0

    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        total_loss += loss.item()
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    accuracy = correct / total
    train_losses.append(total_loss / len(train_loader))
    train_accuracies.append(accuracy)
    print(f"Epoch {epoch+1}/{num_epochs}, Loss: {train_losses[-1]:.4f}, Accuracy: {accuracy:.4f}")# 绘制损失曲线和准确率曲线
plt.figure(figsize=(10, 5))plt.subplot(1, 2, 1)plt.plot(train_losses, label='Training Loss')plt.title('Training Loss')plt.xlabel('Epoch')plt.ylabel('Loss')plt.legend()plt.subplot(1, 2, 2)plt.plot(train_accuracies, label='Training Accuracy')plt.title('Training Accuracy')plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.legend()plt.tight_layout()plt.show()# 在测试集上评估模型
model.eval()correct = 0total = 0with torch.no_grad():
    for inputs, labels in test_loader:
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()accuracy = correct / totalprint(f"Accuracy on test set: {accuracy * 100:.2f}%")1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.105.106.107.108.109.110.

上述代码中，我们定义了一个简单的卷积神经网络（CNN），使用交叉熵损失和Adam优化器进行训练。

在训练过程中，我们记录了每个epoch的损失和准确率，并使用Matplotlib库绘制了损失曲线和准确率曲线。

突破Pytorch核心点，优化器！！