使用Pytorch实现学习率衰减/降低（learning rate decay）

在实验过程中我们可能都对learning rate的选取而苦脑过

• learning rate过小：loss降低过慢
• learning rate过大：loss可能达不到最优，而可能在最优值范围震动

其比较如下图所示

解决办法

1. 使用ReducLROnPlateau

1.1 介绍

该类是torch.optim.lr_scheduler.ReduceLROnPlateau()
使用方法如下：

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

参数说明：

• optimer指的是网络的优化器
• mode (str) ，可选择‘min’或者‘max’，min表示当监控量停止下降的时候，学习率将减小，max表示当监控量停止上升的时候，学习率将减小。默认值为‘min’
• factor 学习率每次降低多少，new_lr = old_lr * factor
• patience=10，容忍网路的性能不提升的次数，高于这个次数就降低学习率
• verbose（bool） - 如果为True，则为每次更新向stdout输出一条消息。 默认值：False
• threshold（float） - 测量新最佳值的阈值，仅关注重大变化。 默认值：1e-4
• cooldown： 减少lr后恢复正常操作之前要等待的时期数。 默认值：0。
• min_lr,学习率的下限
• eps ，适用于lr的最小衰减。 如果新旧lr之间的差异小于eps，则忽略更新。 默认值：1e-8。

1.2 使用注意事项

scheduler.step(train_loss) #这里不再用optimizer.step()

import torch
..... # 此处省略部分代码
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
scheduler = ReduceLROnPlateau(optimizer, 'min',factor=0.1, patience=10, verbose=True)
..... # 此处省略部分代码
scheduler.step(train_loss) #这里不再用optimizer.step()
# scheduler.step(val_loss)

2. 使用StepLR

2.1 介绍

该类是torch.optim.lr_scheduler.StepLR()
使用方法如下：

torch.optim.lr_scheduler.StepLR(optimizer,step_size=30,gamma=0.1)

参数说明：

• optimer指的是网络的优化器
• step_size指的是step_size次更新一次learning rate，即new_lr = old_lr * gamma
• gamma指的是学习率每次降低多少，默认为0.1

2.2 使用注意事项

scheduler.step(train_loss) #这里不再用optimizer.step()

import torch
..... # 此处省略部分代码
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=30,gamma=0.1)
..... # 此处省略部分代码
scheduler.step(train_loss) #这里不再用optimizer.step()
# scheduler.step(val_loss)