深度学习框架Pytorch——学习笔记(七)常用损失函数和神经网络优化方法，激活函数简述

优化方法参考地址 https://www.leiphone.com/news/201706/e0PuNeEzaXWsMPZX.html

网络的可学习参数 net.parameters()

for parameters in net.parameters(): print(parameters) 使用 net.named_parameters() 可同时返回可学习参数和名称

loss损失函数在nn中常用的都包含，是类的方式，先定义后使用 优化器在torch.optim中 ， 传入 net.parameters() 网络的参数

常用的损失函数

(x,y)L1loss

nn.L1Loss() x与y的差的绝对值

(x,y)均方损失

nn.MSELoss() x与y的差的平方和

用于多分类的负对数似然损失

nn.NLLLoss()

用于多分类的交叉熵损失

nn.CrassEntropyLoss() logsoftmax与MLLloss的结合

(x,y)二进制交叉熵

nn.BCELoss() 用前需要在前面加上sigmoid函数

三种优化算法

优化器的作用就是用来更新梯度的。 SGD随机梯度下降 RMSprop快速梯度下降 Adam自动

SGD随机梯度下降算法，带有动量的可选参数

optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)

RMSprop算法，可以减小某些维度梯度更新波动较大的情况，使其梯度下降的速度变得更快

optimizer = torch.optim.RMSprop(model.parameters(), lr=0.01, alpha=0.99)

Adam 自动更新梯度，一般使用默认值即可

optimizer = torch.optim.Adam(model.parameters())

常见激活函数

神经网络无非是每层的矩阵相乘，其关系是线性的。无论怎么改变，其得到的信息没有太大的差距。所以需要激活函数引入非线性因素，使得神经网络可以任意逼近任何非线性函数，增加了模型泛化的特性。

sigmoid函数 （放弃）

输出在（0,1），把输入变换为0到1之间的输出。 需要进行指数运算，比较慢，且不利于权重优化。 目前基本上只有在做二元分类（0，1）时的输出层才会使用。

tanh函数 （放弃）

输出区间是在(-1,1)之间，以0为中心。 随着Relu的出现所有的隐藏层基本上都使用relu来作为激活函数了

ReLU （最常用）

a=max(0, x) 导数大于0时1，小于0时0。 当输入是负数的时候，ReLU是完全不被激活的. 但是实际的运用中，该缺陷的影响不是很大。

Leaky ReLU函数 (不一定好用)

a=max(zx, x) z=0.01 理论上来讲，Leaky ReLU有ReLU的所有优点，但是在实际操作当中，并没有完全证明Leaky ReLU总是好于ReLU。