Pytorch中动态调整学习率_pytorch动态学习率

目录

一、前言

二、为什么需要动态调整学习率？

三、三种库函数调整方法

---

一、前言

在深度学习中，学习率是一个至关重要的超参数，直接影响模型的性能和训练速度。通常，一个合适的学习率可以加速模型的收敛，但在训练过程中，固定学习率可能会导致问题。为了解决这个难题，动态调整学习率成为了深度学习优化的一项关键策略。

二、为什么需要动态调整学习率？

深度学习模型的训练过程通常会经历多个阶段，每个阶段都有不同的特点。在模型训练初期，模型需要大的学习率来快速收敛。然而，随着训练的进行，模型逐渐接近最优解，这时继续使用大学习率可能会导致模型发生震荡或不再收敛。

主要目的：在训练的不同阶段自动调整学习率的大小，以使模型在全局最优解附近更好地收敛。

三、三种库函数调整方法

Pytorch学习率调整策略通过 torch.optim.lr_scheduler 接口实现。进入可查看到以下函数：

它们可以被分为三类：

(1)有序调整: 等间隔调整(Step)，多间隔调整(MultiStep)，指数哀减(Exponential)，余弦退火(CosineAnnealing);

(2)自适应调整: 依训练状况机而变，通过监测某个指标的变化情况(loss、accuracy)，当该指标不怎么变化时，就是调整学习率的时机(ReduceLROnPlateau);

(3)自定义调整:通过自定义关于epoch的lambda函数调整学习率(LambdaLR)。

其中，最重要的是有序调整，下面进行详细介绍：

1、等间隔调整：torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma, last_epoch=-1)

• optimizer（必需参数）：这是要调整学习率的优化器对象，通常是 torch.optim.Optimizer 的一个实例。StepLR 调度器将会修改该优化器的学习率。

• step_size（必需参数）：表示学习率下降的周期数。当训练周期的数量达到 step_size 的倍数时，学习率将按照 gamma 的值进行降低。例如，如果 step_size 为 30，那么学习率将在第 30、60、90，以及之后的周期进行降低。

• gamma（必需参数）：衰减因子，用于指定学习率下降的倍数。在每个周期结束时，学习率将乘以 gamma 的值以降低学习率。通常，gamma 的值是小于 1 的浮点数，以降低学习率，例如，0.1 表示学习率减小为原来的 10%。

• last_epoch（可选参数，默认为 -1）：这个参数表示最后一个训练周期的索引。如果不提供此参数，它会被初始化为 -1，然后在每次学习率更新后自动递增。

2、多间隔调整：torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)

• optimizer（必需参数）：这是要调整学习率的优化器对象，通常是 torch.optim.Optimizer 的一个实例。MultiStepLR 调度器将会修改该优化器的学习率。

• milestones（必需参数）：这是一个列表，其中包含了一系列训练周期的索引，学习率在这些周期结束时会降低。例如，如果 milestones 是 [30, 50, 80]，那么学习率将在第 30、50、80 个周期结束时降低。

• gamma（可选参数，默认为 0.1）：衰减因子，用于指定学习率下降的倍数。在每个里程碑处，学习率将乘以 gamma 的值以降低学习率。通常，gamma 的值是小于 1 的浮点数，以降低学习率，例如，0.1 表示学习率减小为原来的 10%。

• last_epoch（可选参数，默认为 -1）：这个参数表示最后一个训练周期的索引。如果不提供此参数，它会被初始化为 -1，然后在每次学习率更新后自动递增。

3、指数哀减：torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)

• optimizer（必需参数）：这是要调整学习率的优化器对象，通常是 torch.optim.Optimizer 的一个实例。ExponentialLR 调度器将会修改该优化器的学习率。

• gamma（必需参数）：衰减因子，用于指定学习率下降的倍数。在每个训练周期结束时，学习率将乘以 gamma 的值以降低学习率。通常，gamma 的值是小于 1 的浮点数，以降低学习率。例如，如果 gamma 为 0.9，学习率将每个周期降低为原来的 90%。

• last_epoch（可选参数，默认为 -1）：这个参数表示最后一个训练周期的索引。如果不提供此参数，它会被初始化为 -1，然后在每次学习率更新后自动递增。

4、余弦退火：torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1)

• optimizer（必需参数）：这是要调整学习率的优化器对象，通常是 torch.optim.Optimizer 的一个实例。CosineAnnealingLR 调度器将会修改该优化器的学习率。

• T_max（必需参数）：这是一个整数，表示学习率在一个周期内变化的次数。一个完整的周期是指学习率从最大值开始下降到 eta_min（下面介绍）再上升到最大值的过程。T_max 决定了一个完整周期的长度。

• eta_min（可选参数，默认为 0）：这是学习率在一个周期内的最小值，通常是一个小的非负数。学习率将在一个周期内从最大值下降到 eta_min，然后再上升到最大值。这有助于避免学习率过小，从而防止训练提前停止或陷入局部最小值。

• last_epoch（可选参数，默认为 -1）：这个参数表示最后一个训练周期的索引。如果不提供此参数，它会被初始化为 -1，然后在每次学习率更新后自动递增。

下面就是四种有序调整函数的学习率(lr)对于训练次数(epoch)的变化曲线：