马春杰杰文章目录
[隐藏]
手动
举个例子：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
... optimizer = optim.SGD(para_optim, lr=0.001, momentum=0.9, weight_decay=0.0002) def adjust_learning_rate(optimizer, epoch): lr = optimizer.param_groups[0]['lr'] * 0.1 #学习率每个epoch乘以0.1 #lr = opt.lr * (0.1 ** (epoch // opt.step)) #学习率没10个epoch乘以0.1 return lr def train(net, optimizer): for epoch in range(epoch_nums): lr = adjust_learning_rate(optimizer, epoch-1) for param_group in optimizer.param_groups: param_group["lr"] = lr print('-----------learning rate', optimizer.param_groups[0]["lr"]) net.train() for batch_idx, (inputs, targets) in enumerate(trainloader): ... |
自动
a. 有序调整：等间隔调整(Step)，按需调整学习率(MultiStep)，指数衰减调整(Exponential)和 余弦退火CosineAnnealing。
b. 自适应调整：自适应调整学习率 ReduceLROnPlateau。
c. 自定义调整：自定义调整学习率 LambdaLR。
1 等间隔调整学习率 StepLR
等间隔调整学习率，调整倍数为 gamma 倍，调整间隔为 step_size。间隔单位是step。需要注意的是， step 通常是指 epoch。
|
1 2 3 4 5 6 7 |
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1) 参数： step_size(int)- 学习率下降间隔数，若为 30，则会在 30、 60、 90…个 step 时，将学习率调整为 lr*gamma。 gamma(float)- 学习率调整倍数，默认为 0.1 倍，即下降 10 倍。 last_epoch(int)- 上一个 epoch 数，这个变量用来指示学习率是否需要调整。当last_epoch 符合设定的间隔时，就会对学习率进行调整。当为-1 时，学习率设置为初始值。 |
2 按需调整学习率 MultiStepLR
按设定的间隔调整学习率。这个方法适合后期调试使用，观察 loss 曲线，为每个实验定制学习率调整时机。
|
1 2 3 4 5 6 |
torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1) 参数： milestones(list)- 一个 list，每一个元素代表何时调整学习率， list 元素必须是递增的。如 milestones=[30,80,120] gamma(float)- 学习率调整倍数，默认为 0.1 倍，即下降 10 倍。 |
3 指数衰减调整学习率 ExponentialLR
按指数衰减调整学习率，调整公式: lr=lr∗gamma∗∗epoch
|
1 2 3 4 5 |
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1) 参数： gamma- 学习率调整倍数的底，指数为 epoch，即 gamma**epoch |
4 余弦退火调整学习率 CosineAnnealingLR
以余弦函数为周期，并在每个周期最大值时重新设置学习率。以初始学习率为最大学习率，以 2∗Tmax 为周期，在一个周期内先下降，后上升。
|
1 2 3 4 5 6 |
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1) 参数： T_max(int)- 一次学习率周期的迭代次数，即 T_max 个 epoch 之后重新设置学习率。 eta_min(float)- 最小学习率，即在一个周期中，学习率最小会下降到 eta_min，默认值为 0。 |
5 自适应调整学习率 ReduceLROnPlateau
当某指标不再变化（下降或升高），调整学习率，这是非常实用的学习率调整策略。
例如，当验证集的 loss 不再下降时，进行学习率调整；或者监测验证集的 accuracy，当accuracy 不再上升时，则调整学习率。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
torch.optim.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) 参数： mode(str)- 模式选择，有 min 和 max 两种模式， min 表示当指标不再降低(如监测loss)， max 表示当指标不再升高(如监测 accuracy)。 factor(float)- 学习率调整倍数(等同于其它方法的 gamma)，即学习率更新为 lr = lr * factor patience(int)- 忍受该指标多少个 step 不变化，当忍无可忍时，调整学习率。 verbose(bool)- 是否打印学习率信息， print(‘Epoch {:5d}: reducing learning rate of group {} to {:.4e}.’.format(epoch, i, new_lr)) threshold_mode(str)- 选择判断指标是否达最优的模式，有两种模式， rel 和 abs。 当 threshold_mode == rel，并且 mode == max 时， dynamic_threshold = best * ( 1 +threshold )； 当 threshold_mode == rel，并且 mode == min 时， dynamic_threshold = best * ( 1 -threshold )； 当 threshold_mode == abs，并且 mode== max 时， dynamic_threshold = best + threshold ； 当 threshold_mode == rel，并且 mode == max 时， dynamic_threshold = best - threshold； threshold(float)- 配合 threshold_mode 使用。 cooldown(int)- “冷却时间“，当调整学习率之后，让学习率调整策略冷静一下，让模型再训练一段时间，再重启监测模式。 min_lr(float or list)- 学习率下限，可为 float，或者 list，当有多个参数组时，可用 list 进行设置。 eps(float)- 学习率衰减的最小值，当学习率变化小于 eps 时，则不调整学习率。 |
6 自定义调整学习率 LambdaLR
为不同参数组设定不同学习率调整策略。调整规则为
|
1 2 3 4 5 6 7 8 |
lr=base_lr∗lmbda(self.last_epoch) fine-tune 中十分有用，我们不仅可为不同的层设定不同的学习率，还可以为其设定不同的学习率调整策略。 torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1) 参数： lr_lambda(function or list)- 一个计算学习率调整倍数的函数，输入通常为 step，当有多个参数组时，设为 list。 |
使用的时候先定义：
scheduler = torch.optim.lr_scheduler.CyclicLR(optimizer, base_momentum=0.5, step_size_up=1000, base_lr=1e-6, max_lr=5e-4)
然后在循环训练的时候，加入：
scheduler.step()
具体的例子可以参考这个：
pytorch学习(十三)—学习率调整策略_星月夜话-CSDN博客
本文最后更新于2021年12月8日，已超过 1 年没有更新，如果文章内容或图片资源失效，请留言反馈，我们会及时处理，谢谢！
hongyu 4周前 (03-30)说：
it男 2个月前 (03-08)说：
X 2个月前 (03-07)说：
CooKieKing 2个月前 (03-01)说：
海藻君 2个月前 (02-29)说：
三七 2个月前 (02-28)说：
Kyon 2个月前 (02-24)说：
