pytorch 优化器(optim)不同参数组,不同学习率设置的操作

cifiron = nn.MSELoss()
optimiter = torch.optim.SGD(net.parameters(),lr=0.01,momentum=0.9)
for i in range(iters):
    out = net(inputs)
    loss = cifiron(out,label)
    optimiter.zero_grad()  # 清空之前保留的梯度信息
    loss.backward()   # 将mini_batch 的loss 信息反传回去
 optimiter.step()  # 根据 optim参数 和 梯度 更新参数  w.data -= w.grad*lr

optimiter = torch.optim.Adam(net.parameters(),lr=0.01,momentum=0.9)

   optimizer = torch.optim.SGD([
            {'params': other_params}, 
            {'params': first_params, 'lr': 0.01*args.learning_rate},
            {'params': second_params, 'weight_decay': args.weight_decay}],
            lr=args.learning_rate,
            momentum=args.momentum,
    )

# 首先是 子类Adam 的构造函数
class Adam(Optimizer):
    def __init__(self, params, lr=1e-3, betas=(0.9, 0.999), eps=1e-8,
                 weight_decay=0, amsgrad=False):
        defaults = dict(lr=lr, betas=betas, eps=eps,
                        weight_decay=weight_decay, amsgrad=amsgrad)
        '''
        构造了 参数params，可以有两种传入格式,分别对应 
        1. 全局参数 net.parameters() 
        2. 不同参数组 [{'params': other_params}, 
                      {'params': first_params, 'lr': 0.1*lr}]
        和 <全局> 的默认参数字典defaults
        '''
        # 然后调用 父类Optimizer 的构造函数
        super(Adam, self).__init__(params, defaults)
        
# 看一下 Optim类的构造函数  只有两个输入 params 和 defaults
class Optimizer(object):
    def __init__(self, params, defaults):
        torch._C._log_api_usage_once("python.optimizer")
        self.defaults = defaults
		
        self.state = defaultdict(dict)
        self.param_groups = [] # 自身构造的参数组，每个组使用一套参数
		
        param_groups = list(params)
        if len(param_groups) == 0:
            raise ValueError("optimizer got an empty parameter list")
        # 如果传入的net.parameters()，将其转换为 字典
        if not isinstance(param_groups[0], dict):
            param_groups = [{'params': param_groups}]
		
        for param_group in param_groups:
        #add_param_group 这个函数,主要是处理一下每个参数组其它属性参数(lr,eps)
            self.add_param_group(param_group)
	def add_param_group(self, param_group):
        # 如果当前 参数组中 不存在默认参数的设置，则使用全局参数属性进行覆盖
        '''
        [{'params': other_params}, 
         {'params': first_params, 'lr': 0.1*lr}]
         如第一个参数组 只提供了参数列表，没有其它的参数属性，则使用全局属性覆盖，第二个参数组 则设置了自身的lr为全局 (0.1*lr)
        '''
        for name, default in self.defaults.items():
            if default is required and name not in param_group:
                raise ValueError("parameter group didn't specify a value of required optimization parameter " +
                                 name)
            else:
                param_group.setdefault(name, default)
		# 判断 是否有一个参数 出现在不同的参数组中，否则会报错
        param_set = set()
        for group in self.param_groups:
            param_set.update(set(group['params']))
        if not param_set.isdisjoint(set(param_group['params'])):
            raise ValueErro<b>本文来源gao@!dai!ma.com搞$$代^@码!网</b>r("some parameters appear in more than one parameter group")
		# 然后 更新自身的参数组中
        self.param_groups.append(param_group)