Pytorch官方英文文档：https://pytorch.org/docs/stable/torch.html?
Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/
1. 优化器
进行优化器的具体概念之前，我们得看看优化器要干一个什么样的事情， 我们知道了机器学习的五个步骤： 数据 -> 模型 -> 损失 -> 优化器 -> 迭代训练。 我们通过前向传播的过程，得到了模型输出与真实标签的差异，我们称之为损失， 有了损失，我们会进入反向传播过程得到参数的梯度，那么接下来就是优化器干活了，优化器要根据我们的这个梯度去更新参数，使得损失不断的减低。 那么优化器是怎么做到的呢？ 下面我们从三部分进行展开，首先是优化器的概念，然后是优化器的属性和方法，最后是常用的优化器。
1.1 什么是优化器
Pytorch的优化器： 管理并更新模型中可学习参数的值， 使得模型输出更接近真实标签。
我们在更新参数的时候一般使用梯度下降的方式去更新， 那么什么是梯度下降呢？ 说这个问题之前得先区分几个概念：
- 导数： 函数在指定坐标轴上的变化率
- 方向导数： 指定方向上的变化率
- 梯度： 一个向量， 方向为方向导数取得最大值的方向
我们知道梯度是一个向量，它的方向是导数取得最大值的方向，也就是增长最快的方向，而梯度下降就是沿着梯度的负方向去变化，这样函数的下降也是最快的。所以我们往往采用梯度下降的方式去更新权值，使得函数的下降尽量的快。
1.2 Optimizer的基本属性和方法
下面我们学习Pytorch里面优化器的基本属性：
defaults: 优化器超参数，里面会存储一些学习率， momentum的值，衰减系数等
state: 参数的缓存， 如momentum的缓存（使用前几次梯度进行平均）
param_groups: 管理的参数组， 这是个列表，每一个元素是一个字典，在字典中有key，key里面的值才是我们真正的参数（这个很重要， 进行参数管理）
_step_count: 记录更新次数， 学习率调整中使用， 比如迭代100次之后更新学习率的时候，就得记录这里的100.
优化器里面的基本方法：
zero_grad()： 清空所管理参数的梯度， 这里注意Pytorch有一个特性就是张量梯度不自动清零
step(): 执行一步更新
add_param_group(): 添加参数组, 我们知道优化器管理很多参数，这些参数是可以分组的，我们对不同组的参数可以设置不同的超参数， 比如模型finetune中，我们希望前面特征提取的那些层学习率小一些，而后面我们新加的层学习率大一些更新快一点，就可以用这个方法。
state_dict(): 获取优化器当前状态信息字典
load_state_dict(): 加载状态信息字典，这两个方法用于模型断点的一个续训练， 所以我们在模型训练的时候，一般多少个epoch之后就要保存当前的状态信息。
了解了优化器的基本属性和方法之后，我们去代码中看看优化器的运行机制了， 依然是代码调试的方法， 还记得我们的人民币二分类任务吗？ 我们进行优化器部分的调试：我们在优化器的定义那打上断点，然后debug
点击步入，进入sgd.py的SGD类：
SGD类是继承于optimizer的，所以我们将代码运行到父类初始化的这一行，点击步入，看看是如何初始化的：
这里就是optimizer的init初始化部分了，可以看到上面介绍的那几个属性和它们的初始化方法，当然这里有个最重要的就是参数组的添加，我们看看是怎么添加的：
这里重点说一下这个，我们还记得初始化SGD的时候传入了一个形参：optim.SGD(net.parameters(), lr=LR, momentum=0.9)，这里的net.parameters()就是神经网络的每层的参数， SGD在初始化的时候， 会把这些参数以参数组的方式再存起来， 上图中的params就是神经网络每一层的参数。
下面我们跳回去， 看看执行完这个初始化参数变成了什么样子：
这就是优化器的初始化工作了， 初始化完了之后， 我们就可以进行梯度清空，然后更新梯度即可：
这就是优化器的使用了。
下面我们学习优化器具体的方法：
1.step(): 一次梯度下降更新参数
2.zero_grad()： 将梯度清零
3.add_param_group(): 添加参数组
这个是在模型的迁移学习中非常实用的一个方法，我们看看怎么用：
4.state_dict()和load_state_dict()
这两个方法用于保存和加载优化器的一个状态信息，通常用在断点的续训练， 比如我们训练一个模型，训练了10次停电了， 那么再来电的时候我们就得需要从头开始训练，但是如果有了这两个方法，我们就可以再训练的时候接着上次的次数继续， 所以这两个也非常实用。
首先是state_dict()
我们可以看到，state_dict()方法里面保存了我们优化器的各种状态信息，我们通过torch.save就可以保存这些状态到文件(.pkl)， 这样假设此时停电了。 好，我们就可以通过load_state_dict()来导入这个状态信息，让优化器在这个基础上进行训练，看看是怎么做的？
好了，这就是优化器的初始化和优化器的5个方法的使用了。了解了这些知识之后，我们就知道了优化器的运行机制，管理和更新模型的可学习参数（管理是通过各种属性，尤其是param_groups这个重要的属性，而更新是通过各种方法，主要是step()方法进行更新）。 那么究竟有哪些常用的优化器呢？ 它们又用于什么场景呢？ 下面我们就来看看：
1.3 常用的优化器
这次我们会学习Pytorch中的10种优化器，但是在介绍这些优化器之前，得先学习两个非常重要的概念， 那就是学习率和动量。 我们先从学习率开始：
1.3.1 学习率
在梯度下降过程中，学习率起到了控制参数更新的一个步伐的作用， 参数更新公式我们都知道：
如果没有这个学习率LR的话，往往有可能由于梯度过大而错过我们的最优值，就是下面这种感觉：
随着迭代次数的增加，反而越增越大， 就是因为这个步子太大了，跳过了我们的最优值。所以这时候我们想让他这个跨度小一些，就得需要一个参数来控制我们的这个跨度，这个就是学习率。 这样说起来，有点抽象，我们还是从代码中看看吧：
我们可以看一下上面的图像，loss是不断上升的，这说明这个跨度是有问题的，所以下面我们尝试改小一点学习率，我们就可以发现区别了：
我们发现，当loss上升不降的时候，有可能是学习率的问题，所以我们一般会尝试一个小的学习率。 慢慢的去进行优化。
学习率一般是我们需要调的一个非常重要的超参数， 我们一般是给定一个范围，然后画出loss的变化曲线，看看哪学习率比较好，当然下面也会重点学习学习率的调整策略。
1.3.2 动量
Momentum：结合当前梯度与上一次更新信息， 用于当前更新。这么说可能有点抽象， 那么我们可以举个比较形象的例子：
那么这个动量是怎么作用于我们的更新的呢？ 在这之前，我们得先学习一个概念叫做指数加权平均， 指数加权平均在时间序列中经常用于求取平均值的一个方法，它的思想是这样，我们要求取当前时刻的平均值，距离当前时刻越近的那些参数值，它的参考性越大，所占的权重就越大，这个权重是随时间间隔的增大呈指数下降，所以叫做指数滑动平均。公式如下：
看上图，是不同beta下得到的一个温度变化曲线
- 红色的那条，是beta=0.9， 也就是过去10天温度的平均值
- 绿色的那条，是beta=0.98， 也就是过去50天温度的平均值
- 黄色的那条，beta=0.5， 也就是过去2天的温度的平均
可以发现，如果这个β 很高， 比如0.98， 最终得到的温度变化曲线就会平缓一些，因为多平均了几天的温度， 缺点就是曲线进一步右移， 因为现在平均的温度值更多， 要平均更多的值， 指数加权平均公式，在温度变化时，适应的更缓慢一些，所以会出现一些延迟，因为如果β=0.98，这就相当于给前一天加了太多的权重，只有0.02当日温度的权重,所以温度变化时，温度上下起伏，当β变大时，指数加权平均值适应的更缓慢一些, 换了0.5之后，由于只平均两天的温度值，平均的数据太少，曲线会有很大的噪声，更有可能出现异常值，但这个曲线能够快速适应温度的变化。 所以这个β过大过小，都会带来问题。 一般取0.9.
好了，理解了指数滑动平均之后，就来看看我们的Momentum了，其实所谓的Momentum梯度下降， 基本的想法是计算梯度的指数加权平均数，并利用该梯度更新权重， 我们看看在Pytorch中是怎么实现的：
这样，就可以发现，当前梯度的更新量会考虑到当前梯度， 上一时刻的梯度，前一时刻的梯度，这样一直往前，只不过越往前权重越小而已。下面再通过代码看一下momentum的作用：
我们有0.01和0.03两个学习率，训练模型，我们看看loss的变化曲线：
现在，我们给学习率0.01的这个加一个动量momentum， 再看看效果：
可以看到加上动量的0.01收敛的速度快了，但是前面会有震荡， 这是因为这里的m太大了，当日温度的权重太小，所以前面梯度一旦大小变化，这里就会震荡，当然会发现震荡会越来越小最后趋于平缓，这是因为不断平均的梯度越来越多。 这时候假设我们减少动量m， 效果会好一些，比如0.63：
好了，学习率和动量解释清楚了，下面就看看常用的优化器了。
1.3.3 常用优化器介绍
1.optim.SGD
- param: 管理的参数组
- lr: 初识学习率
- momentum：动量系数， beta
- weight_decay: L2正则化系数
- nesterov: 是否采用NAG
这个优化器是非常常用的。 然后下面列出10款优化器，具体的不去介绍， 可以大体了解有哪些优化器可用：
- optim.SGD: 随机梯度下降法
- optim.Adagrad: 自适应学习率梯度下降法
- optim.RMSprop: Adagrad的改进
- optim.Adadelta: Adagrad的改进
- optim.Adam: RMSprop结合Momentum
- optim.Adamax: Adam增加学习率上限
- optim.SparseAdam: 稀疏版的Adam
- optim.ASGD: 随机平均梯度下降
- optim.Rprop: 弹性反向传播
- optim.LBFGS: BFGS的改进
这里面比较常用的就是optim.SGD和optim.Adam， 其他优化器的详细使用方法移步官方文档。
2. 学习率调整策略
上面我们已经学习了优化器，在优化器当中有很多超参数，例如学习率，动量系数等，这里面最重要的一个参数就是学习率。它直接控制了参数更新步伐的大小，整个训练当中，学习率也不是一成不变的，也可以调整和变化。 所以下面整理学习率的调整策略，首先是为什么要调整学习率，然后是Pytorch的六种学习率调整策略，最后是小结一下：
2.1 为什么要调整学习率
学习率是可以控制更新的步伐的。 我们在训练模型的时候，一般开始的时候学习率会比较大，这样可以以一个比较快的速度到达最优点的附近，然后再把学习率降下来， 缓慢的去收敛到最优值。 这样说可能比较抽象，玩过高尔夫球吗？ 我们可以看一个例子：
我们开始的时候，一般是大力把球打到洞口的旁边，然后再把力度降下来，一步步的把球打到洞口，这里的学习率调整也差不多是这个感觉。
当然，再看一个函数的例子也行：
所以，在模型的训练过程中，调整学习率也是非常重要的，学习率前期要大，后期要小。Pytorch中提供了一个很好的学习率的调整方法，下面我们就来具体学习，学习率该如何进行调整。
2.2 Pytorch的学习率调整策略
在学习学习率调整策略之前，得先学习一个基类， 因为后面的六种学习率调整策略都是继承于这个类的，所以得先明白这个类的原理：
主要属性：
optimizer: 关联的优化器， 得需要先关联一个优化器，然后再去改动学习率
last_epoch: 记录epoch数， 学习率调整以epoch为周期
base_lrs: 记录初始学习率
主要方法：
step(): 更新下一个epoch的学习率， 这个是和用户对接
get_lr(): 虚函数， 计算下一个epoch的学习率， 这是更新过程中的一个步骤
下面依然是人民币二分类的例子，看看LRScheduler的构建和使用：
老规矩，打断点，debug，然后步入这个lr_scheduler.StepLR这个类。这个类就是继承_LRScheduler的。我们运行到初始化的父类初始化那一行，然后再次步入。
看看父类的这个__init__怎么去构建一个最基本的Scheduler的。
这样我们就构建好了一个Scheduler。下面就看看这个Scheduler是如何使用的， 当然是调用step()方法更新学习率了， 那么这个step()方法是怎么工作的呢？ 继续调试： 打断点，debug，步入：
步入之后，我们进入了_LRScheduler的step函数，
我们发现，这个跳到了我们的StepLR这个类里面，因为我们说过，这个get_lr在基类里面是个虚函数，我们后面编写的Scheduler要继承这个基类，并且要覆盖这个get_lr函数，要不然程序不知道你想怎么个衰减学习率法啊。 所以我们得把怎么减学习率通过这个函数告诉程序：
可以看到这里面就用到了初始化时候的base_lr属性。
下面关于优化器的定义和使用的内部运行原理就可以稍微总结了，首先我们在定义优化器的时候，这时候会完成优化器的初始化工作， 主要有关联优化器(self.optimizer属性), 然后初始化last_epoch和base_lrs(记录原始的学习率，后面get_lr方法会用到)。 然后就是用Scheduler，我们是直接用的step()方法进行更新下一个epoch的学习率（这个千万要注意放到epoch的for循环里面而不要放到batch的循环里面 ），而这个内部是在_Scheduler类的step()方法里面调用了get_lr()方法， 而这个方法需要我们写Scheduler的时候自己覆盖，告诉程序按照什么样的方式去更新学习率，这样程序根据方式去计算出下一个epoch的学习率，然后直接更新进优化器的_param_groups()里面去。
好了，下面就可以学习Pytorch提供的六种学习率调整策略：
1-StepLR
功能： 等间隔调整学习率
2-MultiStepLR
功能： 按给定间隔调整学习率
3-ExponentialLR
功能：按指数衰减调整学习率
4-CosineAnnealingLR
功能：余弦周期调整学习率
下面直接从代码中感受：
5-ReduceLRonPlateau
功能: 监控指标， 当指标不再变化则调整， 这个非常实用。可以监控loss或者准确率，当不在变化的时候，我们再去调整。
下面我们直接从代码中学习这个学习率调整策略的使用：
上面是学习率一直保持不变，如果我们在第5个epoch更新一下子，那么这个更新策略会成什么样呢？
6-LambdaLR
功能： 自定义调整策略，这个也比较实用，可以自定义我们的学习率更新策略，这个就是真的告诉程序我们想怎么改变学习率了。并且还可以对不同的参数组设置不同的学习率调整方法，所以在模型的finetune中非常实用。
这里的lr_lambda表示function或者是list。 这个我们从代码中进行学习：
但这个过程到底是怎么实现的呢？ 我们依然可以debug看一下过程，依然是调用get_lr()函数，但是我们这里看看这里面到底是怎么实现自定义的：
我们再这里再次stepinto ,就会发现跳到了我们自定义的两个更新策略上来：
好了，六种学习率调整策略已经整理完毕，下面小结一下：
有序调整： Step、MultiStep、 Exponential和CosineAnnealing， 这些得事先知道学习率大体需要在多少个epoch之后调整的时候用
自适应调整： ReduceLROnPleateau， 这个非常实用，可以监控某个参数，根据参数的变化情况自适应调整
自定义调整：Lambda， 这个在模型的迁移中或者多个参数组不同学习策略的时候实用
调整策略就基本完了，那么我们得先有个初始的学习率啊， 下面介绍两种学习率初始化的方式：
设置较小数：0.01， 0.001， 0.0001
搜索最大学习率： 看论文《Cyclical Learning Rates for Training Neural Networks》, 这个就是先让学习率从0开始慢慢的增大，然后观察acc， 看看啥时候训练准确率开始下降了，就把初始学习率定为那个数。
3. 总结
今天的内容就是这些了，还是有点多的，依然是快速梳理一遍，我们今天开始的优化器模块，优化器管理更新参数，不断降低损失。 首先从优化器本身开始学习，学习了优化器的基本属性和方法，并通过代码调试的方式了解了优化器的初始化和使用原理。 然后学习了常用的优化器，介绍了两个非常关键的概念学习率和动量， 学习了SGD优化器。 优化器中非常重要的一个参数就是学习率，在模型的训练过程中，对学习率调整非常关键，所以最后又学习了学习率的6种调整策略，从三个维度进行总结。
下面依然是一张导图把这次的知识拎起来，方便以后查阅：
好了， 优化器模块介绍完毕， 我们再回忆一下机器模型训练的五个步骤， 数据模块 -> 模型模块 -> 损失函数模块 -> 优化器模块 -> 迭代训练。 前四个模块我们都一一介绍完毕，下面我们进入最后一个模块的学习，这里面首先就是迭代训练过程中的可视化模块TensorBoard， 我们继续Rush 😉