转载自https://www.jb51.net/article/168009.htm
1. loss计算和反向传播
1
2
3
4
5
6
7
8
import torch.nn as nn
criterion = nn.MSELoss().cuda()
output = model(input)
loss = criterion(output, target)
loss.backward()
通过定义损失函数：criterion，然后通过计算网络真实输出和真实标签之间的误差，得到网络的损失值：loss；
最后通过loss.backward()完成误差的反向传播，通过pytorch的内在机制完成自动求导得到每个参数的梯度。
需要注意，在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化或最大化，一般是通过梯度进行网络模型的参数更新，通过loss的计算和误差反向传播，我们得到网络中，每个参数的梯度值，后面我们再通过优化算法进行网络参数优化更新。
2. 网络参数更新
在更新网络参数时，我们需要选择一种调整模型参数更新的策略，即优化算法。
优化算法中，简单的有一阶优化算法：
其中 就是通常说的学习率， 是函数的梯度；
自己的理解是，对于复杂的优化算法，基本原理也是这样的，不过计算更加复杂。
在pytorch中，torch.optim是一个实现各种优化算法的包，可以直接通过这个包进行调用。
1
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
注意：
1）在前面部分1中，已经通过loss的反向传播得到了每个参数的梯度，然后再本部分通过定义优化器（优化算法），确定了网络更新的方式，在上述代码中，我们将模型的需要更新的参数传入优化器。
2）注意优化器，即optimizer中，传入的模型更新的参数，对于网络中有多个模型的网络，我们可以选择需要更新的网络参数进行输入即可，上述代码，只会更新model中的模型参数。对于需要更新多个模型的参数的情况，可以参考以下代码：
optimizer = torch.optim.Adam([{'params': model.parameters()}, {'params': gru.parameters()}], lr=0.01) 3) 在优化前需要先将梯度归零，即optimizer.zeros()。
3. loss计算和参数更新
1
2
3
4
5
6
7
8
9
10
11
12
13
import torch.nn as nn
import torch
criterion = nn.MSELoss().cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
output = model(input)
loss = criterion(output, target)
optimizer.zero_grad() # 将所有参数的梯度都置零
loss.backward() # 误差反向传播计算参数梯度
optimizer.step() # 通过梯度做一步参数更新
