Fira优化器快速入门指南:高效训练神经网络模型
2025-05-31 19:33:11作者:董斯意
前言
在深度学习领域,优化器的选择对模型训练效果有着至关重要的影响。Fira优化器作为一种新型的内存高效优化器,通过创新的参数压缩技术,能够在保持模型性能的同时显著降低内存占用。本文将详细介绍如何使用Fira优化器训练一个简单的全连接神经网络,并在MNIST数据集上进行测试。
环境准备
在开始之前,需要确保已安装必要的Python包:
pip install torch torchvision fira
这三个包分别提供了PyTorch深度学习框架、计算机视觉相关工具集以及Fira优化器本身。
模型定义
我们构建一个简单的全连接神经网络,包含一个隐藏层和一个输出层:
import torch.nn as nn
import torch.nn.functional as F
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 10)      # 隐藏层到输出层
    def forward(self, x):
        x = x.view(-1, 28*28)             # 将图像展平为一维向量
        x = F.relu(self.fc1(x))           # 隐藏层使用ReLU激活函数
        x = self.fc2(x)                   # 输出层不使用激活函数
        return x
这个网络结构简单但足以处理MNIST这样的基础分类任务。
数据准备
MNIST数据集包含60,000张训练图像和10,000张测试图像,每张都是28×28像素的手写数字:
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 定义数据转换:归一化处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])
# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform)
# 创建数据加载器
train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)
模型初始化与优化器配置
Fira优化器的核心优势在于其内存高效性,通过divide_params函数可以灵活配置:
from fira import FiraAdamW, divide_params
model = SimpleNN()
criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
# 参数分组配置
param_groups = divide_params(
    model, 
    target_modules_list=["Linear"],  # 指定应用Fira的模块类型
    rank=8,                         # 压缩维度
    update_proj_gap=200,            # 梯度投影更新间隔
    alpha=1.0,                      # 学习率调整系数
    proj_type='std'                 # 投影类型
)
# 初始化Fira优化器
optimizer = FiraAdamW(
    param_groups, 
    lr=0.01,                       # 学习率
    betas=(0.9, 0.999),            # Adam的beta参数
    eps=1e-06,                     # 数值稳定性参数
    weight_decay=0.0,              # 权重衰减
    correct_bias=True              # 是否修正偏差
)
训练与测试流程
定义训练和测试函数,形成完整的训练循环:
def train(model, train_loader, criterion, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        # 每100个batch打印一次训练进度
        if batch_idx % 100 == 0:
            print(f'Train Epoch: {epoch} [{batch_idx * len(data)}/{len(train_loader.dataset)}] Loss: {loss.item():.6f}')
def test(model, test_loader, criterion):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            output = model(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()
    test_loss /= len(test_loader.dataset)
    accuracy = 100. * correct / len(test_loader.dataset)
    print(f'\nTest set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} ({accuracy:.2f}%)\n')
# 训练5个epoch
for epoch in range(1, 6):
    train(model, train_loader, criterion, optimizer, epoch)
    test(model, test_loader, criterion)
性能对比
Fira优化器在保持模型性能的同时显著降低了内存占用。以下是不同优化器的测试结果对比:
- 
低秩Fira (rank=8) - 测试集平均损失: 0.0036
- 准确率: 95.04%
 
- 
标准Adam优化器 - 测试集平均损失: 0.0040
- 准确率: 94.34%
 
- 
AdamW优化器 - 测试集平均损失: 0.0040
- 准确率: 93.68%
 
Fira核心功能详解
1. divide_params函数
divide_params是Fira的核心配置函数,主要参数包括:
- target_modules_list: 指定需要应用Fira优化的模块名称列表
- rank: 控制参数压缩的维度,值越小内存占用越低但可能影响模型性能
- update_proj_gap: 梯度投影更新间隔,影响计算效率
- alpha: 学习率调整系数,类似LoRA中的alpha参数
- proj_type: 投影类型,默认为'std'
2. FiraAdamW优化器
FiraAdamW在标准AdamW基础上增加了内存优化功能,主要参数包括:
- lr: 学习率,通常需要比标准优化器设置得稍大
- betas: Adam的动量参数
- eps: 数值稳定项
- weight_decay: 权重衰减系数
- correct_bias: 是否修正Adam的偏差
结语
Fira优化器通过创新的参数压缩技术,为深度学习模型训练提供了内存高效的解决方案。本文通过MNIST分类任务展示了Fira的基本使用方法,实际应用中可以根据具体任务调整rank等参数以获得最佳性能。对于更大的模型和更复杂的任务,Fira的内存优势将更加明显。
登录后查看全文 
热门项目推荐
 PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00 PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
 openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00 openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
 HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00 HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
 AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03 AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
 Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00 Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
 GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00 GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
 Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00 Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案
项目优选
收起
 docs
docsOpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
263
2.52 K
 kernel
kerneldeepin linux kernel
C
24
6
 flutter_flutter
flutter_flutter暂无简介
Dart
553
124
 ops-math
ops-math本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
595
137
 pytorch
pytorchAscend Extension for PyTorch
Python
94
122
 cangjie_tools
cangjie_tools仓颉编程语言命令行工具,包括仓颉包管理工具、仓颉格式化工具、仓颉多语言桥接工具及仓颉语言服务。
C++
52
67
 ohos_react_native
ohos_react_nativeReact Native鸿蒙化仓库
JavaScript
219
301
 RuoYi-Vue3
RuoYi-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
1.02 K
601
 cangjie_compiler
cangjie_compiler仓颉编译器源码及 cjdb 调试工具。
C++
116
91
 Cangjie-Examples
Cangjie-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
357
1.77 K