#技术派的书架#

Pytorch中常见学习率调整函数

学习率作为超参数，训练过程中其实是可以动态调整的，这个很多深度学习框架都予以支持，Pytorch框架在这个方面接口化做的非常符合开发者愿意。Pytorch的可调节学习率的方式主要是借助于Pytorch优化器包中几个学习率动态调节函数，相关的学习率调整。torch.optim.lr_scheduler 提供了几种基于epoch的动态学习率调整函数。它们的解释与使用方法分别如下：

01函数一

该函数表示在发现loss不再降低或者acc不再提高之后，降低学习率。

torch.optim.lr_scheduler.ReduceLROnPlateau(
optimizer,
mode='min',
factor=0.1,
patience=10,
threshold=0.0001,
 threshold_mode='rel',
cooldown=0,
 min_lr=0,
eps=1e-08,
verbose=False
)

02函数二

设置学习率为上一次的学习率乘以给定lr_lambda函数的值

torch.optim.lr_scheduler.MultiplicativeLR(
optimizer, // 优化器
lr_lambda, // 函数
last_epoch=-1, // 学习率最后一个epoch，计数
verbose=False
)

03函数三

周期性的学习率调整函数，指定多个epoch调整一次学习率，学习率每次调整由gamma参数决定，step_size表示epoch的周期大小

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

代码演示如下：

# Assuming optimizer uses lr = 0.05 for all groups
# lr = 0.05     if epoch < 30
# lr = 0.005    if 30 <= epoch < 60
# lr = 0.0005   if 60 <= epoch < 90
# ...
scheduler = StepLR(optimizer, step_size=30, gamma=0.1)
for epoch in range(100):
         train(...)
         validate(...)
         scheduler.step()

主要：必须最后完成学习率更新！

04函数四

该函数跟StepLR的区别是为StepLR是周期性改变学习率，而该函数可以用户自定义epoch的里程碑，根据自定义的里程碑来调整学习率。

torch.optim.lr_scheduler.MultiStepLR(
optimizer, // 优化器
milestones, // 表示定义epoch里程碑
gamma=0.1,
last_epoch=-1,
verbose=False
)

代码演示如下：

# Assuming optimizer uses lr = 0.05 for all groups
# lr = 0.05     if epoch < 30
# lr = 0.005    if 30 <= epoch < 80
# lr = 0.0005   if epoch >= 80
scheduler = MultiStepLR(optimizer, milestones=[30,80], gamma=0.1)
for epoch in range(100):
         train(...)
         validate(...)
         scheduler.step()

05函数五：

使用指数衰减模型来调整学习率

torch.optim.lr_scheduler.ExponentialLR(
optimizer,
gamma,
last_epoch=-1,
verbose=False
)

06函数六：

基于余弦退火函数实现学习率调整的

torch.optim.lr_scheduler.CosineAnnealingLR(
optimizer,
T_max,
eta_min=0,
last_epoch=-1,
verbose=False
)

每个epoch的学习率表达式如下：

07函数七

上述的函数都是每个epoch之后调整学习率，该函数支持每个step/batch调整学习率。函数与参数表示如下：

torch.optim.lr_scheduler.CyclicLR(
    optimizer,
    base_lr,
    max_lr,
    step_size_up=2000,
    step_size_down=None,
    mode='triangular',
    gamma=1.0,
    scale_fn=None,
    scale_mode='cycle',
    cycle_momentum=True,
    base_momentum=0.8,
    max_momentum=0.9,
    last_epoch=-1,
    verbose=False
)

代码演示如下：

optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
scheduler = torch.optim.lr_scheduler.CyclicLR(optimizer, base_lr=0.01, max_lr=0.1)
data_loader = torch.utils.data.DataLoader(...)
for epoch in range(10):
    for batch in data_loader:
        train_batch(...)
        scheduler.step()