跳转至

配置优化算法和超参

当搭建好神经网络模型后，需要经过训练才能用来做预测。而训练的过程就是网络模型中的参数被优化的过程，通常采用反向传播算法和指定的 Optimizer 更新参数，本文重点介绍在 OneFlow 中如何设置 Optimizer 和 超参(Hyperparameters) 。

文章主要内容如下：

  • 用于训练的作业函数和用于预测的作业函数的配置示例；

  • optimizer 及 学习策略的使用；

  • 由于错误配置导致的常见错误及解决方法

可以在不了解 OneFlow 设计和概念的情况下，直接采用 配置示例 部分的训练或预测配置；更详细的说明请参考optimizer API 文档

作业函数配置的基本概念

在 识别 MNIST 手写体数字 一文中，我们已经了解了 oneflow.global_function 装饰器及作业函数的概念，本文的配置，建立在此基础上。

我们可以通过向该装饰器传递 function_config 参数达到配置作业函数的目的。

如果对于 oneflow.global_function 还不了解，请先参阅 识别 MNIST 手写体数字 及 作业函数的定义与调用。

配置示例

预测配置

以下代码中我们定义了一个用于预测的作业函数：eval_job。

我们通过 get_eval_config() 定义了 eval_job() 的配置，并将 get_eval_config() 作为 @flow.global_function 的参数，应用到 eval_job() 函数。同时，通过设置参数 type="predict" 来表明该作业函数用于预测，这样，OneFlow 不会在这个作业函数中进行反向传播。

def get_eval_config():
  config = flow.function_config()
  config.default_data_type(flow.float)
  return config

@flow.global_function(type="predict", get_eval_config())
def eval_job() -> tp.Numpy:
  # build neural network here

训练配置

如果指定 @flow.global_function 的 type 参数为 train，就能够得到一个用于训练的作业函数。

以下代码中，train_job 为用于训练的作业函数，采用默认的 function_config 配置（因此没有向 function_config 传参)。

因为 OneFlow 会为 train 类型的作业函数进行反向传播，因此需要在作业函数中指定 optimizer、学习率等超参数的设定：

@flow.global_function(type="train")
def train_job(
    images: tp.Numpy.Placeholder((BATCH_SIZE, 1, 28, 28), dtype=flow.float),
    labels: tp.Numpy.Placeholder((BATCH_SIZE,), dtype=flow.int32),
) -> tp.Numpy:
    with flow.scope.placement("gpu", "0:0"):
        logits = lenet(images, train=True)
        loss = flow.nn.sparse_softmax_cross_entropy_with_logits(
            labels, logits, name="softmax_loss"
        )

    lr_scheduler = flow.optimizer.PiecewiseConstantScheduler([], [0.1])
    flow.optimizer.SGD(lr_scheduler, momentum=0).minimize(loss)
    return loss

以上代码中：

  1. flow.optimizer.PiecewiseConstantScheduler 设置了学习率（0.1）及学习策略（PiecewiseConstantScheduler，分段缩放策略），OneFlow 中还内置了其它学习策略，如：CosineScheduler、CustomScheduler、InverseTimeScheduler 等。

  2. 在 flow.optimizer.SGD(lr_scheduler, momentum=0).minimize(loss) 设置 optimizer 为 SGD，并指定优化目标为 loss。OneFlow 中内置了多种 optimizer，它们分别是：SGD、Adam、AdamW、LazyAdam、LARS、RMSProp，可参阅 API 文档获取使用方法及算法细节。

FAQ

  • 报错 Check failed: job().job_conf().train_conf().has_model_update_conf()

    如果作业函数的 type 为 "train"，但是没有设置 optimizer 及优化目标，那么在反向传播时，OneFlow 会因为不知道如何更新参数而报错。解决方法：为训练作业函数配置 optimizer并指定优化目标。

  • 报错 Check failed: NeedBackwardOp

    如果作业函数的 type 为 "predict"，却（错误地）配置了 optimizer 时，因为 OneFlow 不会为 predict 类型的作业函数生成反向图，所以此时 optimizer 无法拿到反向的数据。解决方法：去掉 predict 类型的作业函数中的 optimizer 相关语句。