深度学习实战(十七)——学习率 (learning rate)的设置

Introduction

学习率 (learning rate),控制 模型的 学习进度 : 
                                                      这里写图片描述

lr 即 stride (步长) ,即反向传播算法中的 η :

                                                                       

学习率大小

  学习率 大 学习率 小
学习速度
使用时间点 刚开始训练时 一定轮数过后
副作用 1.易损失值爆炸;2.易振荡。 1.易过拟合;2.收敛速度慢。

学习率设置

在训练过程中,一般根据训练轮数设置动态变化的学习率。

刚开始训练时:学习率以 0.01 ~ 0.001 为宜。
一定轮数过后:逐渐减缓。
接近训练结束:学习速率的衰减应该在100倍以上。

Note: 
如果是 迁移学习 ,由于模型已在原始数据上收敛,此时应设置较小学习率 (≤10−4≤10−4) 在新数据上进行 微调 。

学习率减缓机制

  轮数减缓 指数减缓 分数减缓
英文名 step decay exponential decay 1/t decay
方法 每N轮学习率减半 学习率按训练轮数增长指数插值递减 ,k 控制减缓幅度,t 为训练轮数

把脉 目标函数损失值 曲线

理想情况下 曲线 应该是 滑梯式下降 [绿线]: 

                      

  • 曲线 初始时 上扬 [红线]: 

           Solution:初始 学习率过大 导致 振荡,应减小学习率,并 从头 开始训练

  • 曲线 初始时 强势下降 没多久 归于水平 [紫线]: 

           Solution:后期 学习率过大 导致 无法拟合,应减小学习率,并 重新训练 后几轮

  • 曲线 全程缓慢 [黄线]: 

           Solution:初始 学习率过小 导致 收敛慢,应增大学习率,并 从头 开始训练

 

参考:

[1] 解析卷积神经网络—深度学习实践手册 
[2] 调整学习速率以优化神经网络训练 
[3] 如何找到最优学习率

 

转自:

深度学习: 学习率 (learning rate)

你可能感兴趣的:(实用操作,深度学习)