首页
/ Optax项目中使用LBFGS优化器结合线搜索的实践指南

Optax项目中使用LBFGS优化器结合线搜索的实践指南

2025-07-07 02:40:35作者:戚魁泉Nursing

背景介绍

在机器学习模型训练过程中,二阶优化算法因其收敛速度快的特点受到广泛关注。L-BFGS作为经典的拟牛顿法优化算法,在深度学习领域也有重要应用。Google DeepMind开发的Optax库提供了LBFGS优化器的实现,并支持线搜索功能,能够进一步提升优化效果。

核心问题

当在Equinox框架下构建自定义模型时,如何正确使用Optax的LBFGS优化器并启用线搜索功能,需要特别注意几个关键点:

  1. 线搜索需要单独定义纯损失函数(value_fn),而非同时计算值和梯度的函数
  2. 在Equinox框架下需要正确处理模型的可微分和不可微分部分
  3. 参数更新时需要保持模型结构的完整性

解决方案详解

1. 定义纯损失函数

线搜索算法需要一个仅返回损失值的函数,因此我们需要单独定义:

def loss_fn(model, ts, ys_true):
    y0 = jnp.array([0.0])
    y_pred = model(ts, y0)
    return jnp.mean((y_pred - ys_true) ** 2)

这与常见的value_and_grad函数不同,后者会同时返回损失值和梯度。

2. 模型参数处理

在Equinox框架下,我们需要区分模型的可微分和不可微分部分:

model_params, model_struct = eqx.partition(model, eqx.is_array)

这种分割确保了在优化过程中只更新可训练参数,同时保持模型结构不变。

3. 创建线搜索兼容的损失函数

为了在线搜索中使用,我们需要创建一个闭包函数,将当前模型结构和输入数据绑定:

loss_fn_ = lambda model_params: loss_fn(
    eqx.combine(model_params, model_struct), ti, yi)

这个lambda函数将模型参数与固定结构重新组合,确保每次线搜索评估时模型结构保持一致。

4. 优化步骤实现

完整的训练步骤实现如下:

@eqx.filter_jit
def make_step(ti, yi, model, opt_state):
    # 计算损失和梯度
    loss, grads = eqx.filter_value_and_grad(loss_fn)(model, ti, yi)
    
    # 准备优化器输入
    grads = eqx.filter(grads, eqx.is_array)
    opt_state = eqx.filter(opt_state, eqx.is_array)
    model_params, model_struct = eqx.partition(model, eqx.is_array)
    
    # 创建线搜索兼容的损失函数
    loss_fn_ = lambda model_params: loss_fn(
        eqx.combine(model_params, model_struct), ti, yi)
    
    # 执行优化步骤
    updates, opt_state = optim.update(
        grads, opt_state, model_params, 
        value=loss, grad=grads, value_fn=loss_fn_)
    
    # 更新模型
    model = eqx.apply_updates(model, updates)
    return loss, model, opt_state

关键注意事项

  1. 函数类型匹配:确保传递给线搜索的是纯损失函数,而非value_and_grad函数
  2. 模型完整性:在参数更新前后保持模型结构的完整性
  3. 性能考量:线搜索会增加每次迭代的计算量,但通常能减少总迭代次数
  4. 学习率设置:即使启用了线搜索,初始学习率的设置仍然会影响优化效果

实际应用建议

对于科学计算和物理信息神经网络(PINN)等场景,LBFGS+线搜索的组合往往能取得比一阶优化器更好的效果。建议:

  1. 先使用Adam等一阶优化器进行预训练
  2. 切换到LBFGS进行精细优化
  3. 监控线搜索的接受率,调整初始学习率

通过合理使用Optax提供的LBFGS实现,可以在保持代码简洁的同时,获得接近二阶优化算法的性能表现。

登录后查看全文
热门项目推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K