使用 PyTorch 的 GradualWarmupScheduler 实现学习率预热
在深度学习中，学习率（Learning Rate, LR）是影响模型训练效果的关键超参数之一。为了提升模型的收敛速度和稳定性，学习率调度策略变得尤为重要。其中，学习率预热（Learning Rate Warmup） 是一种常用的策略，它通过在训练初期逐渐增加学习率，帮助模型更平稳地进入优化过程。本文将介绍学习率预热的原理、GradualWarmupScheduler 的用法，并提供一个代码示例。
什么是学习率预热（Learning Rate Warmup）？
学习率预热是指在训练初期，将学习率从一个较小的值逐渐增加到预设的初始学习率。这种策略的主要目的是：
- 避免梯度爆炸：在训练初期，模型参数可能距离最优解较远，较大的学习率可能导致梯度爆炸。
- 稳定训练过程：通过逐渐增加学习率，模型可以更平稳地适应数据分布。
- 改善收敛性：
