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
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++046Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0290Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-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).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp课程页面空白问题的技术分析与解决方案2 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析3 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析4 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 5 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析6 freeCodeCamp Cafe Menu项目中link元素的void特性解析7 freeCodeCamp全栈开发课程中React实验项目的分类修正8 freeCodeCamp课程中屏幕放大器知识点优化分析9 freeCodeCamp论坛排行榜项目中的错误日志规范要求10 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析
最新内容推荐
Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 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 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 PANTONE潘通AI色板库:设计师必备的色彩管理利器 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 开源电子设计自动化利器:KiCad EDA全方位使用指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
168
2.05 K

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
105
616

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
199
279

🎉 (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
954
563

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0