验证精度、验证Loss的影响
1 问题
在探索mnist数据集过程中，学习率的不同，对我们的实验结果，各种参数数值的改变有何变化，有何不同。
学习率对精度和损失的影响研究。
训练周期=100
学习率= [0.1, 0.01, 0.001, 0.0001]
(1) 不同学习率下的训练精度曲线；
(2) 不同学习率下的训练Loss曲线；
(3) 不同学习率下的验证精度曲线；
(4) 不同学习率下的验证Loss曲线；
2 方法
在前面的学习过程中，我们已经完成了固定学习率lr=0.001情况下，训练精度，验证精度，训练loss，验证loss的结果，所以说我们只需要加一个循环，通过遍历学习率列表：lrs = [0.1, 0.01, 0.001, 0.0001]，用列表来保存数据结果就行，在最后通过可视化matlibplot，来展示结果。
新增的代码（学习率的遍历，画图）：
| lrs = [0.1, 0.01, 0.001, 0.0001] for i in range(len(lrs)): optimizer=torch.optim.SGD(net.parameters(), lr=lrs[i],momentum=0.5) lens = len(Train_Acc_list) b = int(lens/4) plt.subplot(2,2,1) plt.plot(list(range(1,101)), Train_Acc_list[:b], color='red') plt.plot(list(range(1,101)),Train_Acc_list[b:2*b],color='blue') plt.plot(list(range(1,101)), Train_Acc_list[2*b:3*b], color='yellow') plt.plot(list(range(1,101)), Train_Acc_list[3*b:], color='green') plt.xlabel('epoch',size=18) plt.ylabel('Accuracy',size=18) plt.title('不同学习率下的训练精度曲线',size=20) plt.legend(labels=['lr=0.1','lr=0.01','lr=0.001','lr=0.0001']) plt.subplot(2, 2, 2) plt.plot(list(range(1, 101)), Train_loss_list[:b], color='red') plt.plot(list(range(1, 101)), Train_loss_list[b:2 * b], color='blue') plt.plot(list(range(1, 101)), Train_loss_list[2 * b:3 * b], color='yellow') plt.plot(list(range(1, 101)), Train_loss_list[3 * b:], color='green') plt.xlabel('epoch', size=18) plt.ylabel('Loss', size=18) plt.title('不同学习率下的训练Loss曲线', size=20) plt.legend(labels=['lr=0.1', 'lr=0.01', 'lr=0.001', 'lr=0.0001']) plt.subplot(2, 2, 3) plt.plot(list(range(1, 101)), Val_Acc_list[:b], color='red') plt.plot(list(range(1, 101)), Val_Acc_list[b:2 * b], color='blue') plt.plot(list(range(1, 101)), Val_Acc_list[2 * b:3 * b], color='yellow') plt.plot(list(range(1, 101)), Val_Acc_list[3 * b:], color='green') plt.xlabel('epoch', size=18) plt.ylabel('Accuracy', size=18) plt.title('不同学习率下的验证精度曲线', size=20) plt.legend(labels=['lr=0.1', 'lr=0.01', 'lr=0.001', 'lr=0.0001']) plt.subplot(2, 2, 4) plt.plot(list(range(1, 101)), Val_loss_list[:b], color='red') plt.plot(list(range(1, 101)), Val_loss_list[b:2 * b], color='blue') plt.plot(list(range(1, 101)), Val_loss_list[2 * b:3 * b], color='yellow') plt.plot(list(range(1, 101)), Val_loss_list[3 * b:], color='green') plt.xlabel('epoch', size=18) plt.ylabel('Loss', size=18) plt.title('不同学习率下的验证Loss曲线', size=20) plt.legend(labels=['lr=0.1', 'lr=0.01', 'lr=0.001', 'lr=0.0001']) plt.show() plt.savefig('pic.svg') |
运行结果图：
3 结语
根据最后的可视化展示图可以清晰地看到：
在学习率为0.1的时候，相较于学习率为0.01、0.001、0.0001，训练精度都是较差的，特别是在训练次数相对于较少时，而且在第二张训练Loss曲线中，训练次数较少时， Loss较大，在第三张图也能明显看出，验证精度曲线，学习率为0.1的曲线变化较大，且精度不是很高，在第四张图上，Loss变化较大，且基本比其他三条线高
从第一张图上来看，学习率为0.01、0.001、0.0001时，精度基本上维持在94%左右，第二张图来看，Loss也基本相差不大。
在第三张图上的验证精度曲线，学习率为0.0001情况下，随着训练次数的增加，精度基本不变，训练精度为0.001情况下，精度随训练次数的增加有少浮的上下移动。
在第四张图上来看，学习率为0.001、0.0001情况下，验证Loss随训练次数的变化，基本保存一致。
综上所述，学习率为0.001、0.0001的情况下，各项指标的精度较高，Loss较低，更加稳定。
![[n00bzCTF 2023] CPR 全](https://img-blog.csdnimg.cn/9984f416418e43e7837cde50f299679b.png)
