YOLO网络中的学习率调整可视化

引言：在网络训练过程中，学习率扮演着重要的角色，类似于爬山过程中你所迈的步长，根据不同的地理环境，相应改变自己的步长跨度，例如挡在比较平缓的山地，你可能迈步相对跨度较大，而在崎岖的山路上，下坡路迈步可能很小。在训练网络的过程中，网络同样需要寻求找到全局最优解，如果步长太大可能在错过了最优解、或者在一个小山谷中来回折腾，当步长太小的话，浪费训练时间（类似于在平原中迈小步）。说了这么多就是希望大家能够更好地理解学习率，以及发挥的作用。（终于说完了，替你捏了把汗）

        首先看一下在网络中的学习率调整源码，然后再谈：

代码：

 lf = lambda x: ((1 + math.cos(x * math.pi / epochs)) / 2) * (1 - hyp['lrf']) + hyp['lrf']  # cosine
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)

        是不是感觉之前被我吓到了，一看代码，这么少，不会吧！！!  在此之前小琼一直搞不懂，那个、这个啥玩意？直到做了个梦，突然有了灵感。（算了不多说了）

1.正题开始：

        首先先看一下学习率可视化的图像吧：