五、学习率调整方法
5.1 lr_scheduler.StepLR
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)
- 等间隔调整学习率,调整倍数为 gamma 倍,调整间隔为 step_size。间隔单位是step。需要注意的是,step 通常是指 epoch,
- 参数
step_size(int)
:学习率下降间隔数gamma(float)
:学习率调整倍数last_epoch(int)
:上一个epoch数,用来指示学习率是否需要调整,当last_epoch符合设定的间隔时,就会对学习率进行调整。当为-1时,学习率设置为初始值。
5.2 lr_scheduler.MultiStepLR
torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)
- 按设定的间隔调整学习率。适合后期调试使用,观察loss曲线,为每个实验定制学习率调整时机
- 参数:
milestones(list)
:一个list,每一个元素代表何时调整学习率,list元素必须是递增的gamma(float)
:学习率调整倍数last_epoch(int)
:上一个epoch数,用来指示学习率是否需要调整,当last_epoch符合设定的间隔时,就会对学习率进行调整。当为-1时,学习率设置为初始值。
5.3 lr_scheduler.ExponentialLR
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)
- 按指数衰减调整学习率,调整公式为: l r = l r ∗ g a m m a e p o c h lr=lr*gamma^{epoch} lr=lr∗gammaepoch
- 参数:
gamma(float)
:学习率调整倍数last_epoch(int)
:上一个epoch数,用来指示学习率是否需要调整,当last_epoch符合设定的间隔时,就会对学习率进行调整。当为-1时,学习率设置为初始值。
5.4 lr_scheduler.CosineAnnealingLR
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1)
- 以余弦函数为周期,并在每个周期最大值时重新设置学习率
5.5 lr_scheduler.ReduceLROnPlateau
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)
- 当某指标不再变化(下降或升高),调整学习率,这是非常实用的学习率调整策略。例如,当验证集的 loss 不再下降时,进行学习率调整;或者监测验证集的 accuracy,当accuracy 不再上升时,则调整学习率。
- 参数
mode(str)
:模式选择,有min和max两种模式,min 表示当指标不再降低(如监测loss),max 表示当指标不再升高(如监测accuracy)factor(float)
:学习率调整倍数(等同于其它方法的 gamma)patience(int)
:即忍受该指标多少个 step 不变化,当忍无可忍时,调整学习率verbose(bool)
:是否打印学习率信息threshold(float)
:Threshold for measuring the new optimum,配合 threshold_mode 使用。threshold_mode(str)
:选择判断指标是否达最优的模式,有两种模式,rel和abs。cooldown(int)
:“冷却时间“,当调整学习率之后,让学习率调整策略冷静一下,让模型再训练一段时间,再重启监测模式。min_lr(float or list)
:学习率下限,可为 float,或者 list,当有多个参数组时,可用 list 进行设置。eps(float)
:学习率衰减的最小值,当学习率变化小于eps时,则不调整学习率。
5.6 lr_scheduler.LambdaLR
torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)
- 为不同参数组设定不同学习率调整策略。调整规则为,
lr = base_lr * lambda(self.last_epoch)
- 参数
lr_lambda(fuction or list)
:一个计算学习率调整倍数的函数,输入通常为step,当有多个参数组时,设为listlast_epoch(int)
:上一个epoch数,用来指示学习率是否需要调整,当last_epoch符合设定的间隔时,就会对学习率进行调整。当为-1时,学习率设置为初始值。
- 为不同参数组设定不同学习率调整策略。调整规则为,