【深度学习】学习率调整策略

Warm up

神经网络在开始训练时是很不稳定的。如果一开始步子太大（学习率太大），可能会使网络向着非最优的方向收敛。如果学习率设置太小，又会使训练过程变得十分缓慢。warm up是一种折中方案，首先让学习率由低到高逐渐增大，称之为热身阶段。但不能一直采用高学习率，因为这样会使网络来回震荡，始终无法收敛到一个最优值，所以在热身之后，学习率要随着训练的过程缓慢降低，使网络得到一个较好的收敛。

在video restoration transformer（VRT）的code中，采用的就是反复warmup的方法，每训练一段就经历一次warmup的过程，如下图。

github对应项目地址是 VRT_code。

在做实验的过程中，修改初始学习率，网络最终的效果也会有影响。但这个影响是有限的，体现在RDNet的实验中，多次修改初始学习率后，最好的初始学习率和较差的初始学习率，其测出的测试集平均PSNR差了约0.2dB左右，这在该project中是一个不大不小的gap。0.2dB的差距不能将其视为差不多，实际上这个差距已经较为可观了，但这样一个gap比起方法上的革新带来的巨大gap来说，又比较小。
通过调节学习率确实可以一定程度上提升网络的性能，但这种提升局限于方法本身，不可能带来非常大的增益。

其它学习率调节方式可参看 史上最全学习率调整策略lr_scheduler。