转载：https://blog.csdn.net/gdymind/article/details/82708920

重点是这句：

注意，如果想要使用方法来将model移到GPU中，一定要确保这一步在构造之前。因为调用之后，model里面的参数已经不是之前的参数了。

---

?以下是原文

与优化函数相关的部分在模块中，其中包含了大部分现在已有的流行的优化方法。

要想使用optimizer，需要创建一个optimizer 对象，这个对象会保存当前状态，并根据梯度更新参数。

怎样构造

要构造一个，需要使用一个用来包含所有参数（形式）的iterable，把相关参数（如learning rate、weight decay等）装进去。

注意，如果想要使用方法来将model移到GPU中，一定要确保这一步在构造之前。因为调用之后，model里面的参数已经不是之前的参数了。

示例代码如下：

常用参数

代表上一次的epoch的值，初始值为-1。

单独指定参数

也可以用一个dict的iterable指定参数。这里的每个dict都必须要这个key，包含它所属的参数列表。除此之外的key必须它的（如）里面有的参数。

You can still pass options as keyword arguments. They will be used as defaults, in the groups that didn’t override them. This is useful when you only want to vary a single option, while keeping all others consistent between parameter groups.

这在针对特定部分进行操作时很有用。比如只希望给指定的几个层单独设置学习率：

在上面这段代码中将会使用默认学习率0.01，而的参数蒋欢使用0.001的学习率。

怎样进行单次优化

所有optimizer都实现了方法，调用这个方法可以更新参数，这个方法有以下两种使用方法：

多数optimizer里都可以这么做，每次用这类的方法计算出了梯度后，就可以调用一次这个方法来更新参数。

示例程序：

有些优化算法会多次重新计算函数（比如Conjugate Gradient、LBFGS），这样的话你就要使用一个闭包（closure）来支持多次计算model的操作。这个closure的运行过程是，清除梯度，计算loss，返回loss。

示例程序：

优化算法

这里就不完整介绍documentation中的内容了，只介绍基类。具体的算法的参数需要理解它们的原理才能明白，这个改天单独来一篇文章介绍。

Optimizer

这是所有optimizer的基类。

注意，各参数的顺序必须保证每次运行都一致。有些数据结构就不满足这个条件，比如dictionary的iterator和set。

参数

1. (iterable)是或者的iterable。这个参数指定了需要更新的Tensor。
2. (dict)是一个dict，它包含了默认的的优化选项。

方法

这个方法的作用是增加一个参数组，在fine tuning一个预训练的网络时有用。

这个方法的作用是加载optimizer的状态。

获取一个optimizer的状态（一个dict）。

方法用于清空梯度。

用于进行单次更新。

Adam

?

?