В чем разница между тензорным [:] и тензорным в pytorch? - PullRequest
Новая
       5

В чем разница между тензорным [:] и тензорным в pytorch?

1 голос
/ 08 апреля 2020 
import numpy as np
import time
features, labels = d2l.get_data_ch7()

def init_adam_states():
    v_w, v_b = torch.zeros((features.shape[1], 1),dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    s_w, s_b = torch.zeros((features.shape[1], 1),dtype=torch.float32), torch.zeros(1, dtype=torch.float32)
    return ((v_w, s_w), (v_b, s_b))

def adam(params, states, hyperparams):
    beta1, beta2, eps = 0.9, 0.999, 1e-6
    for p, (v, s) in zip(params, states):
        v[:] = beta1 * v + (1 - beta1) * p.grad.data
        s = beta2 * s + (1 - beta2) * p.grad.data**2
        v_bias_corr = v / (1 - beta1 ** hyperparams['t'])
        s_bias_corr = s / (1 - beta2 ** hyperparams['t'])
        p.data -= hyperparams['lr'] * v_bias_corr / (torch.sqrt(s_bias_corr) + eps)
    hyperparams['t'] += 1

def train_ch7(optimizer_fn, states, hyperparams, features, labels, batch_size=10, num_epochs=2):
    # 初始化模型
    net, loss = d2l.linreg, d2l.squared_loss

    w = torch.nn.Parameter(torch.tensor(np.random.normal(0, 0.01, size=(features.shape[1], 1)), dtype=torch.float32),
                           requires_grad=True)
    b = torch.nn.Parameter(torch.zeros(1, dtype=torch.float32), requires_grad=True)

    def eval_loss():
        return loss(net(features, w, b), labels).mean().item()

    ls = [eval_loss()]
    data_iter = torch.utils.data.DataLoader(torch.utils.data.TensorDataset(features, labels), batch_size, shuffle=True)

    for _ in range(num_epochs):
        start = time.time()
        print(w)
        print(b)
        for batch_i, (X, y) in enumerate(data_iter):
            l = loss(net(X, w, b), y).mean()  # 使⽤平均损失

            # 梯度清零
            if w.grad is not None:
                w.grad.data.zero_()
                b.grad.data.zero_()

            l.backward()
            optimizer_fn([w, b], states, hyperparams)  # 迭代模型参数
            if (batch_i + 1) * batch_size % 100 == 0:
                ls.append(eval_loss())  # 每100个样本记录下当前训练误差

    # 打印结果和作图
    print('loss: %f, %f sec per epoch' % (ls[-1], time.time() - start))
    d2l.set_figsize()
    d2l.plt.plot(np.linspace(0, num_epochs, len(ls)), ls)
    d2l.plt.xlabel('epoch')
    d2l.plt.ylabel('loss')
train_ch7(adam, init_adam_states(), {'lr': 0.01, 't': 1}, features, labels)

Я хочу реализовать алгоритм Адама в следующем коде, и я чувствую растерянность в функции с именем Адам. 

v = beta1 * v + (1 - beta1) * p.grad.data
s = beta2 * s + (1 - beta2) * p.grad.data**2

, когда я использую следующий код, кривая функции потерь - рисунок 1. рисунок 1 

v[:] = beta1 * v + (1 - beta1) * p.grad.data
s = beta2 * s + (1 - beta2) * p.grad.data**2
or
v = beta1 * v + (1 - beta1) * p.grad.data
s[:] = beta2 * s + (1 - beta2) * p.grad.data**2

, когда я использую следующий код, потеря кривая функции - рисунок 2. рисунок 2 

v[:] = beta1 * v + (1 - beta1) * p.grad.data
s[:] = beta2 * s + (1 - beta2) * p.grad.data**2

Когда я использую следующий код, кривая функции потерь - рисунок 3. рисунок 3

  • Кривая функции потерь в случае 3 всегда была более гладкой, чем в случае 1.

  • Кривая функции потерь в случае 2 иногда не может сходиться.

Чем отличается?

1 Ответ

0 голосов
/ 09 апреля 2020

Чтобы ответить на первый вопрос, 

v = beta1 * v + (1 - beta1) * p.grad.data

является неуместной операцией. Помните, что python переменные являются ссылками на объекты. Присваивая новое значение переменной v, базовый объект, на который v ссылался до этого присвоения, будет не изменяться. Вместо этого выражение beta1 * v + (1 - beta1) * p.grad.data приводит к новому тензору, который затем упоминается как v.

С другой стороны 

v[:] = beta1 * v + (1 - beta1) * p.grad.data

является на месте операция. После этой операции v все еще ссылается на тот же базовый объект, и элементы этого тензора модифицируются и заменяются значениями нового тензора beta1 * v + (1 - beta1) * p.grad.data.

Посмотрите на следующее 3 строки, чтобы понять, почему это важно 

for p, (v, s) in zip(params, states):
    v[:] = beta1 * v + (1 - beta1) * p.grad.data
    s[:] = beta2 * s + (1 - beta2) * p.grad.data**2

v и s на самом деле относятся к тензорам, которые хранятся в states. Если мы выполняем операции на месте , то значения в состояниях изменяются, чтобы отразить значение, присвоенное v[:] и s[:].

Если вне места * Используется 1037 * операций, тогда значения в states остаются без изменений.

...