Adafactor#
- class torch.optim.Adafactor(params, lr=0.01, beta2_decay=-0.8, eps=(None, 0.001), d=1.0, weight_decay=0.0, *, foreach=None, maximize=False)#
实现了 Adafactor 算法。
有关该算法的更多详细信息,请参阅 Adafactor: Adaptive Learning Rates with Sublinear Memory Cost。
- 参数
params (iterable) – 要优化的参数或命名参数的迭代器,或者是定义参数组的字典的迭代器。使用命名参数时,所有组中的所有参数都应该命名。
lr (float, Tensor, optional) – 与其他优化器不同,Adafactor 不需要学习率,Noam Shazeer 和 Mitchell Stern 根本不使用学习率。与论文不同的是,此实现使用学习率来应用权重衰减,并作为相对步长 rho_t 的最大值。请注意,论文中将常数 0.01 用作相对步长的最大值,因此我们将 0.01 设置为默认值。(默认值:1e-2)
beta2_decay (float, optional) – beta2 的衰减率。beta2 通常指用于计算梯度平方的运行平均值的系数。(默认值:-0.8)
eps (Tuple[float, float], optional) – epsilon1 是添加到更新计算分母中的项,以提高数值稳定性。epsilon1 的用法与论文中的算法不同!有关更多详细信息,请参阅下面的说明。epsilon2 是用于避免在应用参数缩放时出现过小的权重更新的项。(默认值:(None, 1e-3))
d (float, optional) – 裁剪阈值,用于避免过大的更新。
weight_decay (float, optional) – 权重衰减系数(默认值:1e-2)
foreach (bool, optional) – 是否使用优化器的 foreach 实现。请注意,与循环版本相比,foreach 实现会多占用约 sizeof(params) 的峰值内存,因为中间结果是 tensorlist 而非单个 tensor。由于 Adafactor 通常在内存受限时使用,因此 Adafactor 将默认使用较慢的单个 tensor 循环实现,除非此标志显式设置为 True。此行为与其他优化器相反,其他优化器会在 CUDA 上尝试默认使用 foreach 以提高运行时性能。(默认值:None)
maximize (bool, optional) – 最大化目标相对于 params,而不是最小化(默认值:False)
注意
Adafactor 的实现与 Noam Shazeer 和 Mitchell Stern 以及一些其他框架的实现略有不同,它使用了学习率和 。
关于学习率超参数:Noam Shazeer 和 Mitchell Stern 根本不使用学习率,因为所述算法使用 和更新裁剪来影响步长。
此实现允许 lr 影响 的最大值。
这与 Noam Shazeer 和 Mitchell Stern 的做法不同,他们使用常数 0.01 作为 的最大值。
Noam Shazeer 和 Mitchell Stern 对如何计算权重衰减没有统一的意见,因此我们使用学习率作为解耦权重衰减的系数,这与 Decoupled Weight Decay Regularization 中提出的方法类似。
关于 的使用:该实现试图复制 Noam Shazeer 和 Mitchell Stern 使用 作为当梯度平方变得很小时的稳定项的预期。
这种稳定性可以写成:
其中梯度平方的行和列因子 和 保持不变,我们在方差估计 和更新 的最终计算中应用了 。
这与 Noam Shazeer 和 Mitchell Stern 以及其他将 应用于梯度平方的行和列因子,但不在之后的计算中应用 的情况形成对比。
- add_param_group(param_group)[source]#
将参数组添加到
Optimizer
的 param_groups 中。这在微调预训练网络时可能很有用,因为在训练过程中,可以使冻结的层可训练并将其添加到
Optimizer
中。- 参数
param_group (dict) – 指定哪些 Tensor 应该被优化,以及组特定的优化选项。
- load_state_dict(state_dict)[source]#
加载优化器状态。
- 参数
state_dict (dict) – 优化器状态。应该是调用
state_dict()
返回的对象。
警告
确保此方法在初始化
torch.optim.lr_scheduler.LRScheduler
后调用,因为在此之前调用它会覆盖加载的学习率。注意
参数的名称(如果存在于
state_dict()
的每个参数组的“param_names”键下)不会影响加载过程。要为自定义情况使用参数名称(例如,当加载的状态字典中的参数与优化器中初始化的参数不同时),应实现自定义register_load_state_dict_pre_hook
来相应地调整加载的字典。如果加载的状态字典中存在param_names
,它们将被保存并覆盖优化器状态中当前存在的名称。如果它们不存在于加载的状态字典中,优化器的param_names
将保持不变。示例
>>> model = torch.nn.Linear(10, 10) >>> optim = torch.optim.SGD(model.parameters(), lr=3e-4) >>> scheduler1 = torch.optim.lr_scheduler.LinearLR( ... optim, ... start_factor=0.1, ... end_factor=1, ... total_iters=20, ... ) >>> scheduler2 = torch.optim.lr_scheduler.CosineAnnealingLR( ... optim, ... T_max=80, ... eta_min=3e-5, ... ) >>> lr = torch.optim.lr_scheduler.SequentialLR( ... optim, ... schedulers=[scheduler1, scheduler2], ... milestones=[20], ... ) >>> lr.load_state_dict(torch.load("./save_seq.pt")) >>> # now load the optimizer checkpoint after loading the LRScheduler >>> optim.load_state_dict(torch.load("./save_optim.pt"))
- register_load_state_dict_post_hook(hook, prepend=False)[source]#
注册一个 load_state_dict 后置钩子,该钩子将在调用
load_state_dict()
后调用。它应该具有以下签名hook(optimizer) -> None
参数
optimizer
是正在使用的优化器实例。在调用
self
上的load_state_dict
之后,钩子将使用参数self
进行调用。注册的钩子可用于在load_state_dict
加载state_dict
后执行后处理。- 参数
hook (Callable) – 用户定义的待注册钩子。
prepend (bool) – 如果为 True,则提供的后置
hook
将在所有已注册的后置钩子之前执行。否则,提供的hook
将在所有已注册的后置钩子之后执行。(默认为 False)
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_load_state_dict_pre_hook(hook, prepend=False)[source]#
注册一个 `load_state_dict` 前置钩子,它将在调用
load_state_dict()
之前被调用。它应该具有以下签名。hook(optimizer, state_dict) -> state_dict or None
`optimizer` 参数是正在使用的优化器实例,`state_dict` 参数是用户传递给 `load_state_dict` 的 `state_dict` 的浅拷贝。钩子可以原地修改 state_dict,或者选择性地返回一个新的 state_dict。如果返回了一个 state_dict,它将被用于加载到优化器中。
钩子将在调用 `self` 上的 `load_state_dict` 之前,使用 `self` 和 `state_dict` 参数进行调用。注册的钩子可用于在调用 `load_state_dict` 之前执行预处理。
- 参数
hook (Callable) – 用户定义的待注册钩子。
prepend (bool) – 如果为 True,则提供的 `load_state_dict` 前置钩子将在所有已注册的 `load_state_dict` 前置钩子之前触发。否则,提供的钩子将在所有已注册的 `load_state_dict` 前置钩子之后触发。(默认值:False)
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_post_hook(hook, prepend=False)[source]#
注册一个 `state_dict` 后置钩子,它将在调用
state_dict()
之后被调用。它应具有以下签名
hook(optimizer, state_dict) -> state_dict or None
钩子将在 `self` 上生成 `state_dict` 后,使用 `self` 和 `state_dict` 参数进行调用。钩子可以原地修改 `state_dict`,或者选择性地返回一个新的 `state_dict`。注册的钩子可用于在 `state_dict` 返回之前对其进行后处理。
- 参数
hook (Callable) – 用户定义的待注册钩子。
prepend (bool) – 如果为 True,则提供的后置钩子将在所有已注册的 `state_dict` 后置钩子之前触发。否则,提供的钩子将在所有已注册的 `state_dict` 后置钩子之后触发。(默认值:False)
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_state_dict_pre_hook(hook, prepend=False)[source]#
注册一个 `state_dict` 前置钩子,它将在调用
state_dict()
之前被调用。它应具有以下签名
hook(optimizer) -> None
`optimizer` 参数是正在使用的优化器实例。钩子将在调用 `self` 上的 `state_dict` 之前,使用 `self` 参数进行调用。注册的钩子可用于在调用 `state_dict` 之前执行预处理。
- 参数
hook (Callable) – 用户定义的待注册钩子。
prepend (bool) – 如果为 True,则提供的 `state_dict` 前置钩子将在所有已注册的 `state_dict` 前置钩子之前触发。否则,提供的钩子将在所有已注册的 `state_dict` 前置钩子之后触发。(默认值:False)
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemoveableHandle
- register_step_post_hook(hook)[source]#
注册一个优化器步骤后钩子,它将在优化器步骤之后被调用。
它应具有以下签名
hook(optimizer, args, kwargs) -> None
参数
optimizer
是正在使用的优化器实例。- 参数
hook (Callable) – 用户定义的待注册钩子。
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemovableHandle
- register_step_pre_hook(hook)[source]#
注册一个优化器步骤预钩子,它将在优化器步骤之前被调用。
它应具有以下签名
hook(optimizer, args, kwargs) -> None or modified args and kwargs
`optimizer` 参数是正在使用的优化器实例。如果 args 和 kwargs 被前置钩子修改,那么转换后的值将作为一个包含 new_args 和 new_kwargs 的元组返回。
- 参数
hook (Callable) – 用户定义的待注册钩子。
- 返回
一个句柄,可用于通过调用
handle.remove()
来移除添加的钩子- 返回类型
torch.utils.hooks.RemovableHandle
- state_dict()[source]#
将优化器的状态作为
dict
返回。它包含两个条目
state
:一个包含当前优化状态的 Dict。其内容在不同的优化器类之间有所不同,但有一些共同的特性。例如,状态是按参数保存的,而参数本身不被保存。`state` 是一个字典,将参数 ID 映射到一个包含对应每个参数状态的字典。
param_groups
:一个包含所有参数组的 List,其中每个参数组是一个字典。每个参数组包含优化器特有的元数据,如学习率和权重衰减,以及组内参数 ID 的列表。如果一个参数组是用 `named_parameters()` 初始化,那么名称内容也会保存在 state_dict 中。
注意:参数 ID 可能看起来像索引,但它们只是将状态与参数组关联的 ID。从 state_dict 加载时,优化器将按顺序匹配参数组的 `params`(整数 ID)和优化器的 `param_groups`(实际的 `nn.Parameter`)来匹配状态,而无需额外验证。
返回的状态字典可能看起来像
{ 'state': { 0: {'momentum_buffer': tensor(...), ...}, 1: {'momentum_buffer': tensor(...), ...}, 2: {'momentum_buffer': tensor(...), ...}, 3: {'momentum_buffer': tensor(...), ...} }, 'param_groups': [ { 'lr': 0.01, 'weight_decay': 0, ... 'params': [0] 'param_names' ['param0'] (optional) }, { 'lr': 0.001, 'weight_decay': 0.5, ... 'params': [1, 2, 3] 'param_names': ['param1', 'layer.weight', 'layer.bias'] (optional) } ] }
- zero_grad(set_to_none=True)[source]#
重置所有优化过的
torch.Tensor
的梯度。- 参数
set_to_none (bool) – 取代设置为零,将梯度设置为 None。这通常会降低内存占用,并可能略微提高性能。但是,它会改变某些行为。例如:1. 当用户尝试访问梯度并对其进行手动操作时,None 属性或全为 0 的 Tensor 的行为将不同。2. 如果用户请求 `zero_grad(set_to_none=True)` 然后进行反向传播,则未接收到梯度的参数的 `.grad` 属性保证为 None。3. `torch.optim` 优化器在梯度为 0 或 None 时有不同的行为(一种情况是执行带有 0 梯度的步骤,另一种情况是完全跳过步骤)。