lr_scheduler.StepLR调整学习率机制

StepLR调整学习率机制

有的时候需要我们通过一定机制来调整学习率，这个时候可以借助于$torch.optim.l{r}_{s}cheduler$类来进行调整；torch.optim.lr_scheduler模块提供了一些根据epoch训练次数来调整学习率（learning rate）的方法。一般情况下我们会设置随着epoch的增大而逐渐减小学习率从而达到更好的训练效果。

下面介绍了一种调整策略机制：StepLR机制；
(随着$epoch$的增大而逐渐减小学习率从而达到更好的训练效果。

torch.optim.lr_scheduler.StepLR

语法

class torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)

• 更新策略
  每过$step-size$个epoch，做一次更新。
• 参数
  • optimizer: (Optimizer): 要更改学习率的优化器。
  • step_size: (int): 每训练step_size个epoch，更新一次参数。
  • gamma: (float): 更新$lr$乘法因子。
  • last_epoch (int):最后一个epoch的index，如果是训练了很多个epoch后中断了，继续训练，这个值就等于加载的模型的epoch。默认为-1表示从头开始训练，即从epoch=1开始.

代码案例

import torch
import torch.nn as nn
from torch.optim.lr_scheduler import StepLR
import itertools
 
 
initial_lr = 0.1
 
class model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=3)
 
    def forward(self, x):
        pass
 
net_1 = model()
 
optimizer_1 = torch.optim.Adam(net_1.parameters(), lr = initial_lr)
scheduler_1 = StepLR(optimizer_1, step_size=3, gamma=0.1)
 
print("初始化的学习率：", optimizer_1.defaults['lr'])
 
for epoch in range(1, 11):
    # train
 
    optimizer_1.zero_grad()
    optimizer_1.step()
    print("第%d个epoch的学习率：%f" % (epoch, optimizer_1.param_groups[0]['lr']))
    scheduler_1.step()

实现结果

初始化的学习率： 0.1
第1个epoch的学习率：0.100000
第2个epoch的学习率：0.100000
第3个epoch的学习率：0.100000
第4个epoch的学习率：0.010000
第5个epoch的学习率：0.010000
第6个epoch的学习率：0.010000
第7个epoch的学习率：0.001000
第8个epoch的学习率：0.001000
第9个epoch的学习率：0.001000
第10个epoch的学习率：0.000100
 

总结

谩骂的将各种框架及其结构啥的全部都将其搞清楚，研究彻底，
会自己敲打代码，会自己将其搞定都行啦的样子与打算。