超级会员免费看
本文详细介绍了YOLOv5中使用的学习率调整策略，包括LR Range Test、Cyclical LR、One Cycle Policy、SGDR、AdamW、SGDW以及Pytorch的余弦退火策略。重点讨论了One Cycle Policy的训练过程和余弦退火的学习率变化，展示了如何在训练中找到合适的学习率范围，以提高模型的训练效率和泛化能力。
如有错误，恳请指出。
文章目录
对于学习率的调整一直是个比较困难的问题， 在yolov5中提供了两种学习率的调整方式，一种是线性调整，另外一种就是One Cycle Policy。而在查找资料的过程中，了解到了其他的学习率调整策略，这里一并归纳到这篇笔记中。
其中包括：LR Range Test、Cyclical LR、One Cycle Policy、SGDR、AdamW 、SGDW、pytorch实现的余弦退火策略。具体的学习率调整策略，详细见参考资料。
0. Yolov5的学习率调整方案
yolov5代码中提供了两种学习率调整方案：线性学习率与One Cycle学习率调整
代码比较简单，如下所示：
# Scheduler
if opt.linear_lr:
lf 
订阅专栏 解锁全文
1515
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
