优化模型
优化模型参数
现在我们有了模型和数据，是时候通过优化我们数据上的参数来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代中，模型对输出进行猜测，计算其猜测（损失）中的误差，收集与其参数相关的误差的导数（正如我们在上一节中看到的），并使用梯度下降来优化这些参数。有关此过程的更详细演练，请查看3Blue1Brown的反向传播视频。
先决条件代码
我们加载了之前关于数据集和数据加载器和构建模型的章节中的代码。
python
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
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().__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),
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork()超参数
超参数是可调的参数，可让您控制模型优化过程。不同的超参数值会影响模型训练和收敛率（阅读更多关于超参数调优的信息）
我们定义了以下用于训练的超参数：
纪元数量-在数据集上进行遍默的次数
批量大小-在参数更新之前通过网络传播的数据样本数量
学习率-在每个批次/时代更新模型参数多少。较小的值导致学习速度较慢，而较大的值可能会导致训练期间不可预测的行为。
python
learning_rate = 1e-3
batch_size = 64
epochs = 5优化循环
一旦我们设置了超参数，我们就可以通过优化循环训练和优化我们的模型。优化循环的每个迭代都被称为纪元。
每个纪元由两个主要部分组成：
训练环-遍及训练数据集，并尝试收敛到最佳参数。
验证/测试循环-遍复测试数据集，以检查模型性能是否在提高。
让我们简要了解一下培训循环中使用的一些概念。跳到前面，看看优化循环的完整实现。
损失函数
当看到一些训练数据时，我们未经训练的网络可能不会给出正确的答案。损失函数衡量所获得的结果与目标值的不同程度，这是我们希望在训练期间最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。
常见的损失函数包括用于回归任务的nn.MSELoss（平均平方误差）和用于分类的nn.NLLLoss（负对数似然性）。nn.CrossEntropyLoss结合了nn.LogSoftmax和nn.NLLLoss。
我们将模型的输出逻辑传递给nn.CrossEntropyLoss，这将规范逻辑并计算预测错误。
python
# Initialize the loss function
loss_fn = nn.CrossEntropyLoss()优化器
优化是调整模型参数以减少每个训练步骤中的模型误差的过程。优化算法定义了这个过程的执行方式（在本例中，我们使用随机梯度下降）。所有优化逻辑都封装在optimizer对象中。在这里，我们使用SGD优化器；此外，PyTorch中有许多不同的优化器，如ADAM和RMSProp，它们更适用于不同类型的模型和数据。
我们通过注册需要训练的模型参数并传递学习率超参数来初始化优化器。
python
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)在培训循环中，优化分三个步骤进行：
调用optimizer.zero_grad()来重置模型参数的梯度。默认情况下，梯度加起来；为了防止重复计算，我们在每次迭代时都明确将其归零。
用调用loss.backward()来反向传播预测损失。PyTorch存储每个参数w.r.t.损失的梯度。
一旦我们有了梯度，我们就会调用optimizer.step()，通过向后通道中收集的梯度来调整参数。
全面实施
我们定义了在优化代码上循环的train_loop，以及根据我们的测试数据评估模型性能的test_loop。
python
def train_loop(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
# Set the model to training mode - important for batch normalization and dropout layers
# Unnecessary in this situation but added for best practices
model.train()
for batch, (X, y) in enumerate(dataloader):
# Compute prediction and loss
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
loss.backward()
optimizer.step()
optimizer.zero_grad()
if batch % 100 == 0:
loss, current = loss.item(), batch * batch_size + len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test_loop(dataloader, model, loss_fn):
# Set the model to evaluation mode - important for batch normalization and dropout layers
# Unnecessary in this situation but added for best practices
model.eval()
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
# Evaluating the model with torch.no_grad() ensures that no gradients are computed during test mode
# also serves to reduce unnecessary gradient computations and memory usage for tensors with requires_grad=True
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")我们初始化损失函数和优化器，并将其传递给train_loop和test_loop。随意增加纪元的数量，以跟踪模型的改进性能。
python
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!")