Pytorch系列:（八）学习率_学习率 milestones=[200, 220]

学习率的调整会对网络模型的训练造成巨大的影响，本文总结了pytorch自带的学习率调整函数，以及其使用方法。

设置网络固定学习率

设置固定学习率的方法有两种，第一种是直接设置一些学习率，网络从头到尾都使用这个学习率，一个例子如下：

optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
1

第二种方法是，可以针对不同的参数设置不同的学习率，设置方法如下：这里给subnet2子结构设置的学习率为0.01 ，如果对某个参数不指定学习率，就使用最外层的默认学习率，这里其他结构默认使用0.03

optimizer =optim.SGD([
    {'params': net.subnet1.parameters()}, # lr=0.03
    {'params': net.subnet2.parameters(), 'lr': 0.01}
], lr=0.03)
1
2
3
4

学习率基类

学习率调整的方法有一个基类，这个基类包含了三个属性：

optimizer: 关联的优化器

last_epoch: 记录epoch数

base_lrs: 初始学习率

然后有两个方法，其中，get_lr() 方法，可以计算下一个epoch的学习率，而step() 则表示更新下一个学习率 ，学习率基类如下：

class _LRScheduler(object):
  def __init__(self,optimizer,last_epoch=-1)
  
  def get_lr(self):
     raise NotImplementedError
     
  def step(self):
      pass 
  

1
2
3
4
5
6
7
8
9
10

Pytorch自带学习率方法

StepLR

第一个跟新策略是每隔多少步就去乘以一个系数，这里的step_size表示运行这么多次的step()才会更新一次

lr_scheduler.StepLR(
  optimizer,
  step_size,
  gamma=0.1,
  last_epoch=-1

)
1
2
3
4
5
6
7

计算方法：$lr=lr\ast gamma$

MultiStepLR

第二种方法如下，milestones是一个list，这里会根据list里面出现的次数进行调整， list中设定想要的epoch数量，例如 [ 100, 200, 500 ] , 模型就会在设定的epoch进行下一步学习率的计算

lr_scheduler.MultiStepLR(
optimier,
milestones,
gamma=0.1,
last_epoch=-1
) 
1
2
3
4
5
6

计算方法：$lr=lr\ast gamma$

ExponentialLR

第三种方法是，通过 $gamm{a}^{epoch}$这个指数函数，对学习率进行更新

lr_scheduler.ExponentialLR(
optimizer,
gamma,
last_epoch=-1
) 
1
2
3
4
5

计算方式：$lr=lr\ast gamm{a}^{epoch}$

CosineAnnealingLR

第四种学习率是CosineAnnealingLR，是类似于cosine函数的波动式的进行学习率更新，其中，T_max是指半个周期，就是从最高点到最低点的间隔，eta_min是最低点的值，默认设置为0

lr_scheduler.CosineAnnealingLR(
optimizer,
T_max,
eta_min=0,
last_epoch=-1
) 
1
2
3
4
5
6

计算方式：${\eta }_t={\eta }_{min}+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1+cos(\frac{T_{cur}}{T_{max}}\pi ))$

其中：${\eta }_{max}$表示学习率最大值，${\eta }_{min}$表示学习率最小值，$T_{cur} $表示当前的epoch数量，$T_{max} $是一个固定值，通过设置这个值，可以决定cos函数的周期。

ReduceLRonPlateau

这个方法是对梯度进行监控，其中mode是模式设置，具有两种模式，min 和max指的是如果梯度不下降，或者不上升，就进行调整；factor是调整因子；patience指的是连续多少次不变化就调整；threshold表示只有超过阈值之后，才关注学习率的变化；threshold_mode有两种模式，rel模式：max模式下如果超过best(1+threshold)为显著，min模式下如果低于best(1-threshold)为显著，abs模式：max模式下如果超过best+threshold为显著，min模式下如果低于best-threshold为显著；cooldown是指调整后，有一段冷却时间，多少次不对学习率进行监控；verbose表示是否打印日志；min_lr表示学习率下限；eps 表示学习率衰减最小值；

lr_scheduler.ReduceLROnPlateau(
optimizer,
mode='min',
factor=0.1,
patience=10,
verbose=False,
threshold = 0.0001,
threshold_mode = 'rel',
cooldown=0,
min_lr = 0,
eps = 1e-08
) 
1
2
3
4
5
6
7
8
9
10
11
12

LambdaLR

最后一个是可以自定义方法, 这个方法中，可以通过一个lambda来自定义学习率计算方式

lr_scheduler.LambdaLR(
optimizer,
lr_lambda,
last_epoch=-1
)
1
2
3
4
5

其中lr_lambda 表示自定义的函数，一个例子如下

scheduler = LambdaLR(optimizer, lr_lambda = lambda epoch: 0.1 ** ( eopch // 10 ))
1

学习率使用方法

下面介绍的学习率使用方法不管使用什么样的学习率，基本流程都差不多，只不过替换了不同的学习率方法而已，因此只看一个例子即可。注意，pytorch1.0 版本之后，官方建议将lr_scheduler 更新放到优化器更新后面。

用法
import torch
import torch.nn as nn
import torch.optim as optim

model = nn.Conv2d(3, 64, 3)
optimizer = optim.SGD(model.parameters(), lr=0.5)
lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=2)

for i in range(5):
    optimizer.zero_grad()
    x = model(torch.randn(3, 3, 64, 64))
    loss = x.sum()
    loss.backward()
    print('{} optim: {}'.format(i, optimizer.param_groups[0]['lr']))
    optimizer.step() 
    print('{} scheduler: {}'.format(i, lr_scheduler.get_lr()[0]))
    lr_scheduler.step() 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18