深度学习中的学习率调整策略（1）

学习率(LearningRate, LR/lr)是深度学习中很重要的一个超参数了。其公式：

也就是说它是在训练过程中更新网络权重的一个调整因子，为什么说其重要呢？简单说：

• 学习率太大，梯度容易爆炸，loss的振幅较大，模型难以收敛；
• 学习率太小，容易过拟合，也容易陷入“局部最优”点；

因此选择一个合适的学习率是非常重要的。 对于新手来说，一般可能是看网上的经验或者开源代码选择一个差不多的lr（比如0.1-0.001之间）。

但是，真正用自己的数据来进行模型调试的时候就会发现，学习率也是一个非常重要的超参数，且不是那么好确定的。。。

理解了太上老君炼丹的不易。

不过还好，有大佬们想到了动态调整学习率的方法，其原理也非常简单：根据某种策略，在模型训练的过程中动态地对学习率进行调整，一般是按照某种策略进行衰减（可以想象当快要到达谷底或者山峰的时候就会放慢步伐）。

学习率调整策略

学习率调整策略在pytorch的torch.optim模块下，称其为scheduler，所以也可以说它仍然是优化器的一部分。 学习率调整一般是在优化器进行更新之后进行调整，其示例代码（来自官网）：

model = [Parameter(torch.randn(2, 2, requires_grad=True))]
optimizer = SGD(model, 0.1)
scheduler = ExponentialLR(optimizer, gamma=0.9)

for epoch in range(20):
    for input, target in dataset:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step()
    scheduler.step()

• 注意看上面的代码，其在epoch的循环中，而不是在最内层的batch循环中，因为一般是在训练了几个epoch之后调整学习率，如果是在batch中，lr更新的太快了；

对于学习率的调整，Pytorch中提供了如下14种方法（具体见参考链接【3】）：

• lr_scheduler.LambdaLR
• lr_scheduler.MultiplicativeLR
• lr_scheduler.StepLR
• lr_scheduler.MultiStepLR
• lr_scheduler.ConstantLR
• lr_scheduler.LinearLR
• lr_scheduler.ExponentialLR
• lr_scheduler.CosineAnnealingLR
• lr_scheduler.ChainedScheduler
• lr_scheduler.SequentialLR
• lr_scheduler.ReduceLROnPlateau
• lr_scheduler.CyclicLR
• lr_scheduler.OneCycleLR
• lr_scheduler.CosineAnnealingWarmRestarts

具体每种方法的用法后面再讲，我们先看下一个例子的：

model = torchvision.models.AlexNet(num_classes=2)
optimizer = optim.Adam(model.parameters(),lr=0.01)
scheduler = optim.lr_scheduler.LinearLR(optimizer,start_factor=0.1, total_iters=100)
for epoch in range(100):
    print(f"当前学习率：{optimizer.param_groups[0]['lr']}")
    optimizer.step()
    scheduler.step()

• 上面的例子使用了Adam作为优化器，然后用线性的方式在训练的过程中更新学习率；

其学习率的变化如下：

• 可以看到LinearLR的策略就是设定起始的学习率（优化器中的学习率 start_factor）和终止的学习率（默认是优化器中的学习率end_factor，end_factor默认为1.0），然后 按照total_iters把起始学习率和终止学习率确定的区间进行均分，然后每个epoch更新一次。
• 需要注意的是，当达到设定的终止学习率之后，即便还没训练完，学习率也不会再更新了。

那如果我们设置了不合适的参数，导致学习率很快就更新到头了，比如10个epoch就更新完了，但是训练一共是100个epoch怎么办？不要慌，Pytorch中的学习率更新可以进行链式调度，也就是说可以同时使用多个学习率更新策略！示例：

model = [Parameter(torch.randn(2, 2, requires_grad=True))]
optimizer = SGD(model, 0.1)
scheduler1 = ExponentialLR(optimizer, gamma=0.9)
scheduler2 = MultiStepLR(optimizer, milestones=[30,80], gamma=0.1)

for epoch in range(20):
    for input, target in dataset:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step()
    scheduler1.step()
    scheduler2.step()

也就是说我们可以同时使用多个策略来更新学习率，比如每训练多个epoch更新一次+loss不变化的时候再主动更新，等等。。

下篇文章详解。

参考

【1】https://zhuanlan.zhihu.com/p/41681558
【2】https://pytorch.org/docs/stable/generated/torch.optim.lr_scheduler.StepLR.html
【3】https://pytorch.org/docs/stable/optim.html
【4】https://hasty.ai/content-hub/mp-wiki/scheduler/cycliclr

本文由 mdnice 多平台发布