如何优化模型参数，集成模型

Shiraka 2021-08-26

350

前言

前三节我们掌握了模型和数据，这节我们将通过优化数据参数来训练，验证和测试模型。训练模型是一个迭代过程；每次迭代（称为epoch），模型对输出进行预测，计算其预测误差（loss），收集误差相对于其参数的导数，使用梯度下降优化参数

Prerequisite Code

首先从前两节中Datasets & DataLoaders和Build Model部分加载代码

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
            nn.ReLU()
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork()

上述代码不做过多叙述，详情请参考前两节学习笔记。部分输出结果如下；

超参数

超参数是可调节的参数，可以控制模型优化过程。不同的超参数值会影响模型训练和收敛速度我们为训练定义了以下超参数；

1.Number of Epochs 迭代数据集次数 2.Batch Size 参数更新之前通过网络传播的数据样本数量 3.学习率在更新模型参数时，较小的值会影响学习速度，较大的值会导致训练过程中出现不可预测的情况。

learning_rate = 1e-3
batch_size = 64
epochs = 5

优化循环

设置超参数后，我们可以使用优化循环来训练和优化模型。优化循环每次迭代称为epoch 每个epoch由两部分组成：训练：迭代训练数据集并尝试收敛到最佳参数验证/测试：迭代测试数据集以检查模型性能是否正在提高

损失函数

当使用训练数据时，未经训练的模型可能无法给出正确答案。通过损失函数衡量结果与目标值，目的是在训练过程得出最小化的损失函数。为了计算损失值，我们使用给定数据样本的输入进行预测，并将其与真实数据值进行比较。常见的损失函数包括用于回归任务的nn.MSELoss(均方误差)和用于分类的nn.NLLLoss（负对数似然）。nn.CrossEntropyLoss结合nn.LogSoftmax和nn.NLLLoss 我们将模型的输出logits传递给nn.CrossEntropyLoss，标准化logits并计算预测误差

# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()

优化器

通过优化器在每个训练步骤中调整模型参数以减少模型误差。PyTorch将所有优化逻辑封装在optimizer中。在该模型中，我们使用SGD优化器。（ADAM和RMSProp适用于不同类型的模型和数据）现在初始优化器；

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

Application

接下来我们定义train_loop来优化循环，并使用test_loop测试数据来评估模型的性能。

def train_loop(dataloader, model, loss_fn, optimizer):
 size = len(dataloader.dataset)
 for batch, (X, y) in enumerate(dataloader):
     # Compute prediction and loss
     pred = model(X)
     loss = loss_fn(pred, y)

     # Backpropagation
     optimizer.zero_grad()
     loss.backward()
     optimizer.step()

     if batch % 100 == 0:
         loss, current = loss.item(), batch * len(X)
         print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")


def test_loop(dataloader, model, loss_fn):
 size = len(dataloader.dataset)
 num_batches = len(dataloader)
 test_loss, correct = 0, 0

 with torch.no_grad():
     for X, y in dataloader:
         pred = model(X)
         test_loss += loss_fn(pred, y).item()
         correct += (pred.argmax(1) == y).type(torch.float).sum().item()

 test_loss /= num_batches
 correct /= size
 print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

将损失函数和优化器初始化后，将其传递给train_loop，和test_loop。按照自己的需求去增加epochs的数量以跟踪模型改进效果。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

epochs = 10
for t in range(epochs):
 print(f"Epoch {t+1}\n-------------------------------")
 train_loop(train_dataloader, model, loss_fn, optimizer)
 test_loop(test_dataloader, model, loss_fn)
print("Done!")

部分效果展示如下；

保存和加载模型

接下来将进行最后一步，保存，加载和运行模型

import torch
import torch.onnx as onnx
import torchvision.models as models

保存和加载模型权重 PyTorch模型将学习到的参数存储在state_dict。可以通过torch.save方法保存模型

model = models.vgg16(pretrained=True)
torch.save(model.state_dict(), 'model_weights.pth')

加载模型权重之前，需先创建相同模型的实例，使用load_state_dict() 方法加载参数

model = models.vgg16() # we do not specify pretrained=True, i.e. do not load default weights
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()

注意：在调用model.eval()要将dropout 批量归一化层设置为评估模式。

在加载模型权重时，需要实例化模型，可以将model传递给函数：

torch.save(model, 'model.pth')
model = torch.load('model.pth')

将模型导出到ONNX

input_image = torch.zeros((1,3,224,224))
onnx.export(model, input_image, 'model.onnx')

通过ONNX可以在不同平台和不同编程语言上运行该模型，详情使用方式请参考官方网站https://github.com/onnx/tutorials

结语

前四节学习如何通过PyTorch构建神经网络模型，优化，保存和加载模型。让我们对于深度学习和PyTorch有了初步了解。下一部分，我想在图像和视频角度进行学习。