动量法的 Gluon 实现

在 Gluon 里,使用动量法很方便,我们无需重新实现该算法。

首先,导入本节中实验所需的包或模块。

In [1]:
import sys
sys.path.insert(0, '..')

%matplotlib inline
import gluonbook as gb
from mxnet import gluon, init, nd
from mxnet.gluon import nn

下面生成实验数据集并定义线性回归模型。

In [2]:
# 生成数据集。
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random.normal(scale=1, shape=(num_examples, num_inputs))
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
labels += nd.random.normal(scale=0.01, shape=labels.shape)

# 线性回归模型。
net = nn.Sequential()
net.add(nn.Dense(1))

例如,以使用动量法的小批量随机梯度下降为例,我们可以在Trainer中定义动量超参数momentum。以下几组实验分别重现了“动量法”一节中实验结果。

In [3]:
net.initialize(init.Normal(sigma=0.01), force_reinit=True)
trainer = gluon.Trainer(net.collect_params(), 'sgd',
                        {'learning_rate': 0.2, 'momentum': 0.99})
gb.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=2,
            log_interval=10, features=features, labels=labels, net=net)
w:
[[-1.52645802 -2.82572317]]
<NDArray 1x2 @cpu(0)>
b:
[ 3.81351233]
<NDArray 1 @cpu(0)>

../_images/chapter_optimization_momentum-gluon_5_1.svg
In [4]:
net.initialize(init.Normal(sigma=0.01), force_reinit=True)
trainer = gluon.Trainer(net.collect_params(), 'sgd',
                        {'learning_rate': 0.2, 'momentum': 0.9})
gb.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=2,
            log_interval=10, features=features, labels=labels, net=net)
w:
[[ 2.00048304 -3.39878702]]
<NDArray 1x2 @cpu(0)>
b:
[ 4.1979208]
<NDArray 1 @cpu(0)>

../_images/chapter_optimization_momentum-gluon_6_1.svg
In [5]:
net.initialize(init.Normal(sigma=0.01), force_reinit=True)
trainer = gluon.Trainer(net.collect_params(), 'sgd',
                        {'learning_rate': 0.2, 'momentum': 0.5})
gb.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=2,
            log_interval=10, features=features, labels=labels, net=net)
w:
[[ 1.99943078 -3.3998332 ]]
<NDArray 1x2 @cpu(0)>
b:
[ 4.20019674]
<NDArray 1 @cpu(0)>

../_images/chapter_optimization_momentum-gluon_7_1.svg

小结

  • 使用 Gluon 的Trainer可以方便地使用动量法。

练习

  • 如果想用以上代码重现小批量随机梯度下降,应该把动量参数改为多少?

扫码直达讨论区