目录
前言
一、什么是调整学习率？
二、调整学习率的作用
三、怎么调整学习率
1.有序调整
2.自适应调整
3.自定义调整
4.调整示例
前言
在深度学习中，调整学习率是非常重要的，它对模型的训练效果和收敛速度有显著影响。
一、什么是调整学习率？
- 学习率是深度学习中一个关键的超参数，控制着模型在每次更新时权重的调整幅度。它决定了梯度下降算法在最小化损失函数时的步长。较大的学习率可能导致模型不收敛或震荡，而较小的学习率则可能使收敛速度过慢。因此，选择合适的学习率对于模型训练的成功至关重要。
- 常用的学习率有0.1、0.01以及0.001等，学习率越大则权重更新越快。一般来说，我们希望在训练初期学习率大一些，使得网络收敛迅速，在训练后期学习率小一些，使得网络更好的收敛到最优解。
二、调整学习率的作用
调整学习率的目的是优化模型训练过程，提高收敛速度，并确保最终模型的性能。通过合理调整学习率，可以避免训练过程中的震荡或不收敛，帮助模型更有效地找到最优解，最终提升模型的泛化能力和准确性。
三、怎么调整学习率
- Pytorch学习率调整策略通过 torch.optim.lr_sheduler 接口实现。
1.有序调整
- 等间隔调整(Step)，
- 多间隔调整(MultiStep)，
- 指数衰减(Exponential)，
- 余弦退火(CosineAnnealing)
下图是不同方法的概念图：
代码展示：
"""有序调整学习率"""
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
"""等间隔调整"""
torch.optim.lr_scheduler.StepLR(optimizer, step_size=, gamma=0.1)
# optimizer: 神经网络训练中使用的优化器,
# step_size: 学习率下降间隔数,单位是epoch,而不是iteration.
# gamma:学习率调整倍数,默认为0.1
# 每训练step_size个epoch,学习率调整为lr=lr*gamma.
"""多间隔调整调整"""
torch.optim.lr_shceduler.MultiStepLR(optimizer, milestones=, gamma=0.1)
# milestone(list): 一个列表参数,表示多个学习率需要调整的epoch值,
# 如milestones=[10, 30, 80],即10轮时将gamma乘以学习率lr,30轮时、80轮时与10轮时操作一致
"""指数衰减"""
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma=)
# gamma:学习率调整倍数的底数,指数为epoch,初始值为lr, 倍数为γepoch,每一轮都调整
"""余弦退火"""
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=, eta_min=0)
# T_max:学习率下降到最小值时的epoch数,即当epoch=T_max时,学习率下降到余弦函数最小值,当epoch>T_max时,学习率将增大
# eta_min: 学习率调整的最小值,即epoch=T_max时,lr_min=eta_min, 默认为0.
2.自适应调整
- 依训练状况伺机而变，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)
"""根据指标调整学习率"""
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)- 参数解释：
- optimizer: 需要调整学习率的优化器。
- mode: 字符串，选择监控的指标类型。'min' 表示当被监控的指标停止下降时，学习率将减小; 'max' 表示当指标停止上升时减小学习率。
- factor: 每次调整学习率时，学习率将乘以这个因子（通常在 0 到 1 之间）。例如,float = 0.1表示学习率减少到原来的 10%。
- patience: 监控指标在没有改善时等待的 epochs 数。在这段时间内，如果指标没有改善，学习率将被调整。
- verbose: 布尔值，是否在调整学习率时打印消息。
- threshold: 改变学习率的最小阈值。如果变化小于该阈值，则认为没有改善。这个值可以是绝对值或相对值，具体取决于
threshold_mode。 - threshold_mode: 字符串, 'rel' 表示使用相对阈值（与当前值的比例）, 'abs' 表示使用绝对阈值。
- cooldown: 在学习率被减少后，允许继续训练的 epochs 数。在此期间，将不会调整学习率。
- min_lr: 学习率的最小值，防止学习率降到过低。
- eps: 一个很小的值，避免除以零的错误，通常在计算时用作保护。
3.自定义调整
- 通过自定义关于epoch的lambda函数调整学习率(LambdaLR)。
torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)
# 参数：
# lr_lambda(function or list): 自定义计算学习率调整倍数的函数，通常是epoch的函数，当有多个参数组时，设为list.
4.调整示例
- 在每个epoch的训练中使用 scheduler.step() 即可进行学习率的更新
"""有序调整学习率"""
loss_fn = nn.CrossEntropyLoss() # 处理多分类
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.5) # 调整学习率
epochs = 50
for t in range(epochs):
print(f"Epoch {t + 1}\n--------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
scheduler.step() # 在每个epoch的训练中.使用scheduler.step()语句进行学习率更新
print(best_acc)
