pytorch学习笔记十三：学习率的调整策略

在上一节的优化器中有很多超参数，例如学习率和动量等，其中一个重要的参数是学习率，它控制着参数更新步伐的大小，在模型的训练过程中，学习率不是一成不变的，可以调整和变化。

一、为什么要调整学习率

在模型训练时，一般开始的时候会设置大一点的学习率，这样可以较快的达到最优点附近，然后降低学习率，缓慢的去收敛到最优值。举个栗子：

参数更新公式：
$w_{i+1}=w_i-LR\ast grad(w_i)$
如果设置过大的学习率，有可能会跳过最优值，或者在最优值附近震荡。所以设置学习率小一点，来达到最优值，这时就需要一个学习率调整策略来控制学习率。下面就来学习一下pytorch中学习率的调整策略。

二、pytorch中的学习率调整策略

1、StepLR

功能：等间隔调整学习率
step_size表示调整间隔数，gamma表示调整系数，调整方式就是lr*gamma，gamma一般是0.1-0.5，last_epoch保证能够从断点处继续训练。pytorch中的实现为：

if (self.last_epoch == 0) or (self.last_epoch % self.step_size != 0):
    return [group['lr'] for group in self.optimizer.param_groups]
return [group['lr'] * self.gamma
        for group in self.optimizer.param_groups]

可以发现通过当前epoch是否能够被整除来调整学习率。例如设置step_size=50,那么就是每50个epoch调整一次学习率，调整方式是lr*gamma，下面从代码来看一下这种学习率的调整策略：

# 设置每50个epoch调整学习率，lr=0.1*lr
scheduler_lr = optim.lr_scheduler.StepLR(optimizer, step_size=50, gamma=0.1)  # 设置学习率下降策略

lr_list, epoch_list = list()