动态调整学习率/pytorch中lr_scheduler是用来干嘛的，例子

**需要注意的是，lr_scheduler是每个epoch更新一次。**参考https://zhuanlan.zhihu.com/p/380795956

PyTorch中的lr_scheduler（learning rate scheduler）用于动态地调整学习率。随着训练的进行，学习率可能需要逐渐降低，以便在训练后期更加稳定地收敛。lr_scheduler提供了一种方便的方法来实现这个目标。

下面是一个例子，说明如何使用lr_scheduler来调整学习率。在这个例子中，我们使用StepLR调度程序，该调度程序在每个step_size个epoch之后将学习率降低为原来的gamma倍。这个例子使用了一个简单的卷积神经网络模型来训练MNIST数据集，并使用SGD优化器来更新模型参数。

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 定义简单的卷积神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.dropout = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
        x = nn.functional.relu(nn.functional.max_pool2d(self.dropout(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return nn.functional.log_softmax(x, dim=1)

# 加载MNIST数据集
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=64, shuffle=True)

# 创建模型和优化器
model = Net()
optimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9)

# 创建StepLR调度程序
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1)

# 训练模型
for epoch in range(10):
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = nn.functional.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
    scheduler.step()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

在这个例子中，我们使用StepLR调度程序，并将step_size设置为5，将gamma设置为0.1。这意味着在每5个epoch之后，学习率将乘以0.1。