pytorch08：学习率调整策略

一、为什么要调整学习率？
- [1.1 class _LRScheduler](#1.1 class _LRScheduler)
二、pytorch的六种学习率调整策略
- [2.1 StepLR](#2.1 StepLR)
- [2.2 MultiStepLR](#2.2 MultiStepLR)
- [2.3 ExponentialLR](#2.3 ExponentialLR)
- [2.4 CosineAnnealingLR](#2.4 CosineAnnealingLR)
- [2.5 ReduceLRonPlateau](#2.5 ReduceLRonPlateau)
- [2.6 LambdaLR](#2.6 LambdaLR)
三、学习率调整小结
四、学习率初始化

一、为什么要调整学习率？

学习率（learning rate）：控制更新的步伐

一般在模型训练过程中，在开始训练的时候我们会设置学习率大一些，随着模型训练epoch的增加，学习率会逐渐设置小一些。

1.1 class _LRScheduler

学习率调整的父类函数

主要属性：

• optimizer：关联的优化器

• last_epoch：记录epoch数

• base_lrs：记录初始学习率
主要方法：

• step()：更新下一个epoch的学习率，该操作必须放到epoch循环下面

• get_lr()：虚函数，计算下一个epoch的学习率

二、pytorch的六种学习率调整策略

2.1 StepLR

功能：等间隔调整学习率

主要参数：

• step_size：调整间隔数

• gamma：调整系数

调整方式：lr = lr * gamma

代码实现：

python 复制代码

import torch
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt

torch.manual_seed(1)

LR = 0.1
iteration = 10
max_epoch = 200
# ------------------------------ fake data and optimizer  ------------------------------

weights = torch.randn((1), requires_grad=True)
target = torch.zeros((1))

optimizer = optim.SGD([weights], lr=LR, momentum=0.9)

# ------------------------------ 1 Step LR ------------------------------
# flag = 0
flag = 1
if flag:

    scheduler_lr = optim.lr_scheduler.StepLR(optimizer, step_size=50, gamma=0.1)  # 设置学习率下降策略，50轮下降一次，每次下降10倍

    lr_list, epoch_list = list(), list()
    for epoch in range(max_epoch):

        lr_list.append(scheduler_lr.get_lr())
        epoch_list.append(epoch)

        for i in range(iteration):
            loss = torch.pow((weights - target), 2)
            loss.backward()

            optimizer.step()
            optimizer.zero_grad()

        scheduler_lr.step()  # 学习率更新策略

    plt.plot(epoch_list, lr_list, label="Step LR Scheduler")
    plt.xlabel("Epoch")
    plt.ylabel("Learning rate")
    plt.legend()
    plt.show()

输出结果：

因为我们设置每50个epoch降低一次学习率，所以在7774554

2.2 MultiStepLR

功能：按给定间隔调整学习率

主要参数：

• milestones：设定调整时刻数

• gamma：调整系数

调整方式：lr = lr * gamma

代码实现

python 复制代码

flag = 1
if flag:

    milestones = [50, 125, 160]  # 设置学习率下降的位置
    scheduler_lr = optim.lr_scheduler.MultiStepLR(optimizer, milestones=milestones, gamma=0.1)

    lr_list, epoch_list = list(), list()
    for epoch in range(max_epoch):

        lr_list.append(scheduler_lr.get_lr())
        epoch_list.append(epoch)

        for i in range(iteration):
            loss = torch.pow((weights - target), 2)
            loss.backward()

            optimizer.step()
            optimizer.zero_grad()

        scheduler_lr.step()

    plt.plot(epoch_list, lr_list, label="Multi Step LR Scheduler\nmilestones:{}".format(milestones))
    plt.xlabel("Epoch")
    plt.ylabel("Learning rate")
    plt.legend()
    plt.show()

输出结果

根据我们设置milestones = [50, 125, 160]，发现学习率在这三个地方发生下降。

2.3 ExponentialLR

功能：按指数衰减调整学习率

主要参数：

• gamma：指数的底

调整方式：lr = lr * gamma^epoch;这里的gamma通常设置为接近1的数值，例如：0.95

代码实现

python 复制代码

flag = 1
if flag:

    gamma = 0.95
    scheduler_lr = optim.lr_scheduler.ExponentialLR(optimizer, gamma=gamma)

    lr_list, epoch_list = list(), list()
    for epoch in range(max_epoch):

        lr_list.append(scheduler_lr.get_lr())
        epoch_list.append(epoch)

        for i in range(iteration):
            loss = torch.pow((weights - target), 2)
            loss.backward()

            optimizer.step()
            optimizer.zero_grad()

        scheduler_lr.step()

    plt.plot(epoch_list, lr_list, label="Exponential LR Scheduler\ngamma:{}".format(gamma))
    plt.xlabel("Epoch")
    plt.ylabel("Learning rate")
    plt.legend()
    plt.show()

输出结果

可以发现学习率是呈指数下降的。

2.4 CosineAnnealingLR

功能：余弦周期调整学习率

主要参数：

• T_max：下降周期

• eta_min：学习率下限

调整方式：

代码实现

python 复制代码

flag = 1
if flag:
    t_max = 50
    scheduler_lr = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=t_max, eta_min=0.)
    lr_list, epoch_list = list(), list()
    for epoch in range(max_epoch):
        lr_list.append(scheduler_lr.get_lr())
        epoch_list.append(epoch)
        for i in range(iteration):
            loss = torch.pow((weights - target), 2)
            loss.backward()
            optimizer.step()
            optimizer.zero_grad()
        scheduler_lr.step()
    plt.plot(epoch_list, lr_list, label="CosineAnnealingLR Scheduler\nT_max:{}".format(t_max))
    plt.xlabel("Epoch")
    plt.ylabel("Learning rate")
    plt.legend()
    plt.show()

输出结果

2.5 ReduceLRonPlateau

功能：监控指标，当指标不再变化则调整，例如：可以监控我们的loss或者准确率，当其不发生变化的时候，调整学习率。

主要参数：

• mode：min/max 两种模式

min模式：当某一个值不下降的时候我们调整学习率，通常用于监控损失

max模型：当某一个值不上升的时候我们调整学习率，通常用于监控精确度

• factor：调整系数

• patience："耐心"，接受几次不变化

• cooldown："冷却时间"，停止监控一段时间

• verbose：是否打印日志

• min_lr：学习率下限

• eps：学习率衰减最小值

代码实现

python 复制代码

flag = 1
if flag:
    loss_value = 0.5
    accuray = 0.9
    factor = 0.1  # 学习率变换参数
    mode = "min"
    patience = 10  # 能接受多少轮不变化
    cooldown = 10  # 停止监控多少轮
    min_lr = 1e-4  # 设置学习率下限
    verbose = True  # 打印更新日志
    scheduler_lr = optim.lr_scheduler.ReduceLROnPlateau(optimizer, factor=factor, mode=mode, patience=patience,
                                                        cooldown=cooldown, min_lr=min_lr, verbose=verbose)
    for epoch in range(max_epoch):
        for i in range(iteration):
            # train(...)
            optimizer.step()
            optimizer.zero_grad()
        #if epoch == 5:
           # loss_value = 0.4
        scheduler_lr.step(loss_value) #监控的标量是否下降

输出结果

2.6 LambdaLR

功能：自定义调整策略

主要参数：

• lr_lambda：function or list

代码实现

python 复制代码

flag = 1
if flag:

    lr_init = 0.1

    weights_1 = torch.randn((6, 3, 5, 5))
    weights_2 = torch.ones((5, 5))

    optimizer = optim.SGD([
        {'params': [weights_1]},
        {'params': [weights_2]}], lr=lr_init)

    # 设置两种不同的学习率调整方法
    lambda1 = lambda epoch: 0.1 ** (epoch // 20)  # 每到20轮的时候学习率变为原来的0.1倍
    lambda2 = lambda epoch: 0.95 ** epoch  # 将学习率进行指数下降

    scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=[lambda1, lambda2])

    lr_list, epoch_list = list(), list()
    for epoch in range(max_epoch):
        for i in range(iteration):
            # train(...)

            optimizer.step()
            optimizer.zero_grad()

        scheduler.step()

        lr_list.append(scheduler.get_lr())
        epoch_list.append(epoch)

        print('epoch:{:5d}, lr:{}'.format(epoch, scheduler.get_lr()))

    plt.plot(epoch_list, [i[0] for i in lr_list], label="lambda 1")
    plt.plot(epoch_list, [i[1] for i in lr_list], label="lambda 2")
    plt.xlabel("Epoch")
    plt.ylabel("Learning Rate")
    plt.title("LambdaLR")
    plt.legend()
    plt.show()

输出结果

通过lambda方法定义了两种不同的学习率下降策略。

三、学习率调整小结

有序调整：Step、MultiStep、Exponential 和 CosineAnnealing
自适应调整：ReduceLROnPleateau
自定义调整：Lambda

四、学习率初始化

1、设置较小数：0.01、0.001、0.0001

2、搜索最大学习率：参考该篇《Cyclical Learning Rates for Training Neural Networks》

方法：我们可以设置学习率逐渐从小变大观察精确度的一个变化，下面这幅图，当学习率为0.055左右的时候模型精确度最高，当学习率大于0.055的时候精确度出现下降情况，所以在模型训练过程中我们可以设置学习率为0.055作为我们的初始学习率。

pytorch08：学习率调整策略

目录

一、为什么要调整学习率？

1.1 class _LRScheduler

二、pytorch的六种学习率调整策略

2.1 StepLR

2.2 MultiStepLR

2.3 ExponentialLR

2.4 CosineAnnealingLR

2.5 ReduceLRonPlateau

2.6 LambdaLR

三、学习率调整小结

四、学习率初始化