**需要注意的是,lr_scheduler是每个epoch更新一次。**参考https://zhuanlan.zhihu.com/p/380795956
PyTorch中的lr_scheduler(learning rate scheduler)用于动态地调整学习率。随着训练的进行,学习率可能需要逐渐降低,以便在训练后期更加稳定地收敛。lr_scheduler提供了一种方便的方法来实现这个目标。
下面是一个例子,说明如何使用lr_scheduler来调整学习率。在这个例子中,我们使用StepLR调度程序,该调度程序在每个step_size个epoch之后将学习率降低为原来的gamma倍。这个例子使用了一个简单的卷积神经网络模型来训练MNIST数据集,并使用SGD优化器来更新模型参数。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 定义简单的卷积神经网络模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.dropout = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
x = nn.functional.relu(nn.functional.max_pool2d(self.dropout(self.conv2(x)), 2))
x = x.view(-1, 320)
x = nn.functional.relu(self.fc1(x))
x = self.fc2(x)
return nn.functional.log_softmax(x, dim=1)
# 加载MNIST数据集
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=64, shuffle=True)
# 创建模型和优化器
model = Net()
optimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
# 创建StepLR调度程序
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1)
# 训练模型
for epoch in range(10):
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = model(data)
loss = nn.functional.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
scheduler.step()
在这个例子中,我们使用StepLR调度程序,并将step_size设置为5,将gamma设置为0.1。这意味着在每5个epoch之后,学习率将乘以0.1。