反向传播（Backpropagation）
反向传播是计算梯度的算法，核心作用是高效求解 “损失函数对模型所有参数的偏导数”（即梯度）。没有反向传播，深度学习的大规模训练几乎不可能实现。
整个过程像 “从终点回溯到起点”，因此称为 “反向传播”。
# 测试损失函数
loss=nn.CrossEntropyLoss()
for data in dataloader:imgs, targets = dataoutput = module(imgs)result_loss=loss(output,targets)# print(result_loss)# 反向传播result_loss.backward()优化器（Optimizer）
优化器的作用是根据反向传播计算的梯度，更新模型参数，最终目的是减小损失。它是 “梯度→参数更新” 的执行者。
1. 核心目标
根据梯度调整参数，使损失函数尽可能小。基本逻辑是： \(参数_{新} = 参数_{旧} - 学习率 \times 梯度\) （“减梯度” 是因为梯度方向是损失增大的方向，反向才能减小损失）
2. 常见优化器及特点
不同优化器通过改进 “梯度使用方式” 提升效果，以下是主流优化器对比：
优化器 | 核心特点 | 适用场景 |
|---|---|---|
SGD | 基础版：直接用当前梯度更新（\(W = W - lr \cdot \nabla Loss\)） | 简单模型、需要稳定收敛 |
SGD + 动量 | 模拟物理动量：保留部分历史梯度，减少震荡（适合非凸损失函数） | 复杂模型（如 CNN）、避免局部最优 |
Adam | 结合动量和自适应学习率（对不同参数用不同学习率），收敛快且稳定 | 大部分场景（推荐新手首选） |
RMSprop | 自适应学习率：对频繁变化的参数用小学习率，稀疏参数用大学习率 | 处理非平稳目标（如 RNN） |
无论哪种优化器，都需要指定两个基础参数：
| 参数 | 含义 | 作用 |
|---|---|---|
params | 模型需要更新的参数（如 model.parameters()） | 告诉优化器 “要调整哪些参数”（必须指定，否则无法定位更新对象） |
lr（learning rate） | 学习率（核心超参数，通常取值 1e-3、1e-4 等） | 控制参数更新的 “步长”： - 过大：可能跳过最优解（不收敛）； - 过小：收敛太慢或陷入局部最优 |
其他参数 依据各个优化器算法的不同而不同
代码案例：
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoaderdataset = torchvision.datasets.CIFAR10("../torchvision_dataset", train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset, batch_size=1)class MyModule(nn.Module):def __init__(self):super().__init__()self.model1 = Sequential(Conv2d(3, 32, 5, stride=1, padding=2),MaxPool2d(2),Conv2d(32, 32, 5, stride=1, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, stride=1, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10),)def forward(self, x):x = self.model1(x)return xmodule = MyModule()
loss=nn.CrossEntropyLoss()
# 随机梯度下降（SGD）优化器
optim=torch.optim.SGD(module.parameters(),lr=0.001)
for epo in range(20):running_loss=0for data in dataloader:# 每次训练前，先把各个梯度设为0optim.zero_grad()imgs, targets = dataoutput = module(imgs)result_loss=loss(output,targets)# 反向传播，依据链式法则计算各个梯度result_loss.backward()optim.step()running_loss=result_loss+running_lossprint(running_loss)
看几轮训练结果的损失函数值变化
_软硬链接)
