PyTorch學習之六個學習率調整策略

2022-07-10 14:15:08 字數 3555 閱讀 7472

**自 

pytorch學習率調整策略通過torch.optim.lr_scheduler介面實現。pytorch提供的學習率調整策略分為三大類，分別是

a. 有序調整：等間隔調整(step)，按需調整學習率(multistep)，指數衰減調整(exponential)和 余弦退火cosineannealing。

b. 自適應調整：自適應調整學習率 reducelronplateau。

c. 自定義調整：自定義調整學習率 lambdalr。

等間隔調整學習率，調整倍數為 gamma 倍，調整間隔為 step_size。間隔單位是step。需要注意的是， step 通常是指 epoch，不要弄成 iteration 了。

torch.optim.lr_scheduler.steplr(optimizer, step_size, gamma=0.1, last_epoch=-1)
引數：

step_size(int)- 學習率下降間隔數，若為 30，則會在 30、 60、 90…個 step 時，將學習率調整為 lr*gamma。

gamma(float)- 學習率調整倍數，預設為 0.1 倍，即下降 10 倍。

last_epoch(int)- 上乙個 epoch 數，這個變數用來指示學習率是否需要調整。當last_epoch 符合設定的間隔時，就會對學習率進行調整。當為-1 時，學習率設定為初始值。

按設定的間隔調整學習率。這個方法適合後期除錯使用，觀察 loss 曲線，為每個實驗定製學習率調整時機。

torch.optim.lr_scheduler.multisteplr(optimizer, milestones, gamma=0.1, last_epoch=-1)
引數：

milestones(list)- 乙個 list，每乙個元素代表何時調整學習率， list 元素必須是遞增的。如 milestones=[30,80,120]

gamma(float)- 學習率調整倍數，預設為 0.1 倍，即下降 10 倍。

按指數衰減調整學習率，調整公式: l r = l r ∗ g a m m a ∗ ∗ e p o c h lr = lr * gamma**epochlr=lr∗gamma∗∗epoch

torch.optim.lr_scheduler.exponentiallr(optimizer, gamma, last_epoch=-1)
引數：

gamma- 學習率調整倍數的底，指數為 epoch，即 gamma**epoch

以余弦函式為週期，並在每個週期最大值時重新設定學習率。以初始學習率為最大學習率，以 2 ∗ t m a x 2*tmax2∗tmax 為週期，在乙個週期內先下降，後上公升。

torch.optim.lr_scheduler.cosineannealinglr(optimizer, t_max, eta_min=0, last_epoch=-1)
引數：

t_max(int)- 一次學習率週期的迭代次數，即 t_max 個 epoch 之後重新設定學習率。

eta_min(float)- 最小學習率，即在乙個週期中，學習率最小會下降到 eta_min，預設值為 0。

當某指標不再變化（下降或公升高），調整學習率，這是非常實用的學習率調整策略。

例如，當驗證集的 loss 不再下降時，進行學習率調整；或者監測驗證集的 accuracy，當accuracy 不再上公升時，則調整學習率。

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)
引數：

mode(str)- 模式選擇，有 min 和 max 兩種模式， min 表示當指標不再降低(如監測loss)， max 表示當指標不再公升高(如監測 accuracy)。

factor(float)- 學習率調整倍數(等同於其它方法的 gamma)，即學習率更新為 lr = lr * factor

patience(int)- 忍受該指標多少個 step 不變化，當忍無可忍時，調整學習率。

verbose(bool)- 是否列印學習率資訊， print(『epoch : reducing learning rate of group {} to .』.format(epoch, i, new_lr))

threshold_mode(str)- 選擇判斷指標是否達最優的模式，有兩種模式， rel 和 abs。

當 threshold_mode == rel，並且 mode == max 時， dynamic_threshold = best * ( 1 +threshold )；

當 threshold_mode == rel，並且 mode == min 時， dynamic_threshold = best * ( 1 -threshold )；

當 threshold_mode == abs，並且 mode== max 時， dynamic_threshold = best + threshold ；

當 threshold_mode == rel，並且 mode == max 時， dynamic_threshold = best - threshold；

threshold(float)- 配合 threshold_mode 使用。

cooldown(int)- 「冷卻時間「，當調整學習率之後，讓學習率調整策略冷靜一下，讓模型再訓練一段時間，再重啟監測模式。

min_lr(float or list)- 學習率下限，可為 float，或者 list，當有多個引數組時，可用 list 進行設定。

eps(float)- 學習率衰減的最小值，當學習率變化小於 eps 時，則不調整學習率。

為不同引數組設定不同學習率調整策略。調整規則為，

l r = b a s e _ l r ∗ l m b d a ( s e l f . l a s t _ e p o c h ) lr = base\_lr *lmbda(self.last\_epoch)lr=base_lr∗lmbda(self.last_epoch)

fine-tune 中十分有用，我們不僅可為不同的層設定不同的學習率，還可以為其設定不同的學習率調整策略。

torch.optim.lr_scheduler.lambdalr(optimizer, lr_lambda, last_epoch=-1)
引數：

lr_lambda(function or list)- 乙個計算學習率調整倍數的函式，輸入通常為 step，當有多個引數組時，設為 list。

PyTorch學習之六個學習率調整策略

pytorch學習率調整策略通過torch.optim.lr scheduler介面實現。pytorch提供的學習率調整策略分為三大類，分別是 a.有序調整 等間隔調整 step 按需調整學習率 multistep 指數衰減調整 exponential 和 余弦退火cosineannealing。b...

Pytorch學習率更新

自己在嘗試了官方的 後就想提高訓練的精度就想到了調整學習率，但固定的學習率肯定不適合訓練就嘗試了幾個更改學習率的方法，但沒想到居然更差！可能有幾個學習率沒怎麼嘗試吧 import torch import matplotlib.pyplot as plt matplotlib inline from...

Pytorch學習率更新

自己在嘗試了官方的 後就想提高訓練的精度就想到了調整學習率，但固定的學習率肯定不適合訓練就嘗試了幾個更改學習率的方法，但沒想到居然更差！可能有幾個學習率沒怎麼嘗試吧 import torch import matplotlib.pyplot as plt matplotlib inline from...