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 ： 
                                                      

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	快	慢
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)