Pytorch简单模型没有改进

Question

我正在制作一个简单的PyTorch神经网络来逼近x=[0，2pi]上的正弦函数。这是一个简单的架构，我使用不同的深度学习库来测试我是否理解如何使用它。未经训练的神经网络总是产生一条水平直线，而经过训练的神经网络则在y=0时产生一条直线。一般来说，它总是在y=（函数的平均值）处产生一条直线。这让我相信它的前支柱部分出了问题，因为边界不应该只是一条未经训练的直线。以下是网络的代码：

class Net(nn.Module):
    def __init__(self):
      super(Net, self).__init__()
      self.model = nn.Sequential(
      nn.Linear(1, 20),
      nn.Sigmoid(),
      nn.Linear(20, 50),
      nn.Sigmoid(),
      nn.Linear(50, 50),
      nn.Sigmoid(),
      nn.Linear(50, 1)
      )

    def forward(self, x):
        x = self.model(x)
        return x

这是训练循环

def train(net, trainloader, valloader, learningrate, n_epochs):
    net = net.train()
    loss = nn.MSELoss()
    optimizer = torch.optim.SGD(net.parameters(), lr = learningrate)

    for epoch in range(n_epochs):

        for X, y in trainloader:
            X = X.reshape(-1, 1)
            y = y.view(-1, 1)
            optimizer.zero_grad()

            outputs = net(X)

            error   = loss(outputs, y)
            error.backward()
            #net.parameters()  net.parameters() * learningrate
            optimizer.step()

        total_loss = 0
        for X, y in valloader:
            X = X.reshape(-1, 1).float()
            y = y.view(-1, 1)
            outputs = net(X)
            error   = loss(outputs, y)
            total_loss += error.data

        print('Val loss for epoch', epoch, 'is', total_loss / len(valloader) )

它被称为：

net = Net()
losslist = train(net, trainloader, valloader, .0001, n_epochs = 4)

其中trainloader和valloader是培训和验证加载程序。有人能帮我看看这有什么问题吗？我知道它不是学习率，因为它是我在其他框架中使用的，我也知道它不是我使用SGD或sigmoid激活函数的事实，尽管我怀疑错误在激活函数的某个地方。你知道吗

有人知道怎么解决这个问题吗？谢谢。你知道吗

Answer 1

在玩了一段时间的超参数、修改网络和更改优化器（遵循this极好的配方）之后，我最终将行optimizer = torch.optim.SGD(net.parameters(), lr = learningrate)更改为optimizer = torch.optim.Adam(net.parameters())（使用了default优化器参数），运行了100个时代，批大小等于1。你知道吗

使用了以下代码（仅在CPU上测试）：

import torch
import torch.nn as nn
from torch.utils import data
import numpy as np
import matplotlib.pyplot as plt

# for reproducibility
torch.manual_seed(0)
np.random.seed(0)

class Dataset(data.Dataset):

    def __init__(self, init, end, n):

        self.n = n
        self.x = np.random.rand(self.n, 1) * (end - init) + init
        self.y = np.sin(self.x)

    def __len__(self):

        return self.n

    def __getitem__(self, idx):

        x = self.x[idx, np.newaxis]
        y = self.y[idx, np.newaxis]

        return torch.Tensor(x), torch.Tensor(y)


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.model = nn.Sequential(
        nn.Linear(1, 20),
        nn.Sigmoid(),
        nn.Linear(20, 50),
        nn.Sigmoid(),
        nn.Linear(50, 50),
        nn.Sigmoid(),
        nn.Linear(50, 1)
        )

    def forward(self, x):
        x = self.model(x)
        return x

def train(net, trainloader, valloader, n_epochs):

    loss = nn.MSELoss()
    # Switch the two following lines and run the code
    # optimizer = torch.optim.SGD(net.parameters(), lr = 0.0001)
    optimizer = torch.optim.Adam(net.parameters())

    for epoch in range(n_epochs):

        net.train()
        for x, y in trainloader:
            optimizer.zero_grad()
            outputs = net(x).view(-1)
            error   = loss(outputs, y)
            error.backward()
            optimizer.step()

        net.eval()
        total_loss = 0
        for x, y in valloader:
            outputs = net(x)
            error   = loss(outputs, y)
            total_loss += error.data

        print('Val loss for epoch', epoch, 'is', total_loss / len(valloader) )    

    net.eval()

    f, (ax1, ax2) = plt.subplots(1, 2, sharey=True)

    def plot_result(ax, dataloader):
        out, xx, yy = [], [], []
        for x, y in dataloader:
            out.append(net(x))
            xx.append(x)
            yy.append(y)
        out = torch.cat(out, dim=0).detach().numpy().reshape(-1)
        xx = torch.cat(xx, dim=0).numpy().reshape(-1)
        yy = torch.cat(yy, dim=0).numpy().reshape(-1)
        ax.scatter(xx, yy, facecolor='green')
        ax.scatter(xx, out, facecolor='red')
        xx = np.linspace(0.0, 3.14159*2, 1000)
        ax.plot(xx, np.sin(xx), color='green')

    plot_result(ax1, trainloader)
    plot_result(ax2, valloader)
    plt.show()


train_dataset = Dataset(0.0, 3.14159*2, 100)
val_dataset = Dataset(0.0, 3.14159*2, 30)

params = {'batch_size': 1,
          'shuffle': True,
          'num_workers': 4}

trainloader = data.DataLoader(train_dataset, **params)
valloader = data.DataLoader(val_dataset, **params)

net = Net()
losslist = train(net, trainloader, valloader, n_epochs = 100)        

Adam优化器的结果：

SGD优化器的结果：

Answer 2

In general, it always produces a straight line at y = (The mean of the function).

通常，这意味着神经网络到目前为止只成功地训练了最后一层。你需要对它进行更长时间的训练或者更好的优化，就像ViniciusArruda在这里展示的那样。你知道吗

编辑：进一步解释。。当只训练了最后一层时，神经网络在不知道输入X的情况下有效地猜测输出y。在这种情况下，它能做出的最佳猜测是平均值。这样，它可以最大限度地减少其MSE损失。你知道吗