這篇文章將為大家詳細(xì)講解有關(guān)pytorch中網(wǎng)絡(luò)loss傳播和參數(shù)更新的示例分析，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

十載專注成都網(wǎng)站制作，成都定制網(wǎng)站，個(gè)人網(wǎng)站制作服務(wù)，為大家分享網(wǎng)站制作知識(shí)、方案，網(wǎng)站設(shè)計(jì)流程、步驟,成功服務(wù)上千家企業(yè)。為您提供網(wǎng)站建設(shè),網(wǎng)站制作,網(wǎng)頁設(shè)計(jì)及定制高端網(wǎng)站建設(shè)服務(wù),專注于成都定制網(wǎng)站,高端網(wǎng)頁制作,對(duì)成都輕質(zhì)隔墻板等多個(gè)行業(yè)，擁有多年的網(wǎng)站設(shè)計(jì)經(jīng)驗(yàn)。

相比于2018年，在ICLR2019提交論文中，提及不同框架的論文數(shù)量發(fā)生了極大變化，網(wǎng)友發(fā)現(xiàn)，提及tensorflow的論文數(shù)量從2018年的228篇略微提升到了266篇，keras從42提升到56，但是pytorch的數(shù)量從87篇提升到了252篇。

TensorFlow: 228--->266

Keras: 42--->56

Pytorch: 87--->252

在使用pytorch中，自己有一些思考，如下：

1. loss計(jì)算和反向傳播

import torch.nn as nn
 
criterion = nn.MSELoss().cuda()
 
output = model(input)
 
loss = criterion(output, target)
loss.backward()

通過定義損失函數(shù)：criterion，然后通過計(jì)算網(wǎng)絡(luò)真實(shí)輸出和真實(shí)標(biāo)簽之間的誤差，得到網(wǎng)絡(luò)的損失值：loss；

最后通過loss.backward()完成誤差的反向傳播，通過pytorch的內(nèi)在機(jī)制完成自動(dòng)求導(dǎo)得到每個(gè)參數(shù)的梯度。

需要注意，在機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)中，我們需要通過修改參數(shù)使得損失函數(shù)最小化或大化，一般是通過梯度進(jìn)行網(wǎng)絡(luò)模型的參數(shù)更新，通過loss的計(jì)算和誤差反向傳播，我們得到網(wǎng)絡(luò)中，每個(gè)參數(shù)的梯度值，后面我們?cè)偻ㄟ^優(yōu)化算法進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化更新。

2. 網(wǎng)絡(luò)參數(shù)更新

在更新網(wǎng)絡(luò)參數(shù)時(shí)，我們需要選擇一種調(diào)整模型參數(shù)更新的策略，即優(yōu)化算法。

優(yōu)化算法中，簡(jiǎn)單的有一階優(yōu)化算法：

其中 就是通常說的學(xué)習(xí)率， 是函數(shù)的梯度；

自己的理解是，對(duì)于復(fù)雜的優(yōu)化算法，基本原理也是這樣的，不過計(jì)算更加復(fù)雜。

在pytorch中，torch.optim是一個(gè)實(shí)現(xiàn)各種優(yōu)化算法的包，可以直接通過這個(gè)包進(jìn)行調(diào)用。

optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

注意：

1）在前面部分1中，已經(jīng)通過loss的反向傳播得到了每個(gè)參數(shù)的梯度，然后再本部分通過定義優(yōu)化器（優(yōu)化算法），確定了網(wǎng)絡(luò)更新的方式，在上述代碼中，我們將模型的需要更新的參數(shù)傳入優(yōu)化器。

2）注意優(yōu)化器，即optimizer中，傳入的模型更新的參數(shù)，對(duì)于網(wǎng)絡(luò)中有多個(gè)模型的網(wǎng)絡(luò)，我們可以選擇需要更新的網(wǎng)絡(luò)參數(shù)進(jìn)行輸入即可，上述代碼，只會(huì)更新model中的模型參數(shù)。對(duì)于需要更新多個(gè)模型的參數(shù)的情況，可以參考以下代碼：

optimizer = torch.optim.Adam([{'params': model.parameters()}, {'params': gru.parameters()}], lr=0.01) 3) 在優(yōu)化前需要先將梯度歸零，即optimizer.zeros()。

3. loss計(jì)算和參數(shù)更新

import torch.nn as nn
import torch
 
criterion = nn.MSELoss().cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
 
output = model(input)
 
loss = criterion(output, target)
 
optimizer.zero_grad() # 將所有參數(shù)的梯度都置零
loss.backward()    # 誤差反向傳播計(jì)算參數(shù)梯度
optimizer.step()    # 通過梯度做一步參數(shù)更新

關(guān)于“pytorch中網(wǎng)絡(luò)loss傳播和參數(shù)更新的示例分析”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。

本文題目：pytorch中網(wǎng)絡(luò)loss傳播和參數(shù)更新的示例分析-創(chuàng)新互聯(lián)
鏈接URL：http://weahome.cn/article/dgidho.html