Caffe入门：学习率（lr_policy）

学习率是一个非常重要的参数，可以直接影响模型的收敛与否。不同的学习率变更策略也会影响最终的迭代结果。

下面以sgd优化方法，来介绍各种策略。caffe框架中的策略包括fixed，step，exp，inv，multistep，poly，sigmoid。

multistep

基本每次网络训练都使用该策略：非均匀降低策略，指定降低的step间隔，每次降低为原来的一定倍数。

lr_policy: "multistep"
gamma: 0.5
stepvalue: 10000
stepvalue: 30000
stepvalue: 60000

即分别在迭代到10000,30000,60000次的时候将学习率变为前一次的0.5倍，如图所示：

这是比step更加复杂的策略（step采用均匀降低策略），也是采用非连续型的变换，但是变换的迭代次数不均匀，也是非常常用的策略，需要经验。

几种学习率变更策略总结：

• step，multistep方法的收敛效果最好，这也是我们平常用它们最多的原因。虽然学习率的变化是最离散的，但是并不影响模型收敛到比较好的结果。
• 其次是exp，poly。它们能取得与step，multistep相当的结果，也是因为学习率以比较好的速率下降，操作的确很骚，不过并不见得能干过step和multistep。
• inv和fixed的收敛结果最差。这是比较好解释的，因为fixed方法始终使用了较大的学习率，而inv方法的学习率下降过程太快，这一点，当我们直接使用0.001固定大小的学习率时可以得到验证，最终收敛结果与inv相当。

参考链接：https://blog.csdn.net/hacker_long/article/details/85054085