《深度学习》—— 神经网络中的调整学习率

文章目录

一、什么是调整学习率？
二、使用PyTorch中的库函数进行调整学习率
- 三种常用的方法
- - 1. StepLR
  - 2. MultiStepLR
  - 3. CosineAnnealingLR

一、什么是调整学习率？

调整学习率（Adjusting Learning Rate）是在机器学习，特别是在学习>深度学习中，对优化算法中的一个关键超参数进行动态调整的过程。学习率决定了在每一次参数更新时，参数变化的幅度大小。它是控制模型学习速度的一个重要因素。
在训练神经网络时，学习率的选择至关重要。过高的学习率可能会导致模型在训练过程中产生震荡，甚至发散，无法收敛到最优解；而过低的学习率则会导致训练过程非常缓慢，需要更多的迭代次数才能达到较好的效果。
因此，调整学习率的目标是在训练过程中找到一个合适的学习率，使得模型能够稳定且快速地收敛到最优解。这通常需要根据模型的训练情况、数据集的特性以及所使用的优化算法来动态调整学习率。

二、使用PyTorch中的库函数进行调整学习率

Pytorch学习率调整策略通过 torch.optim.lr_sheduler 接口实现。并提供3种调整方法：
- 有序调整：等间隔调整(Step)，多间隔调整(MultiStep)，指数衰减(Exponential)，余弦退火(CosineAnnealing);
- 自适应调整：依训练状况伺机而变，通过监测某个指标的变化情况(loss、accuracy)，当该指标不怎么变化时，就是调整学习率的时机(ReduceLROnPlateau);
- 自定义调整：通过自定义关于epoch的lambda函数调整学习率(LambdaLR)

在 torch.optim.lr_sheduler 中有如下多种调整学习率的方法：

import torch
scheduler = torch.optim.lr_scheduler
# 鼠标放在 lr_scheduler 上，按 CTRL 键可进入查看
__all__ = ['LambdaLR', 'MultiplicativeLR', 'StepLR', 'MultiStepLR', 'ConstantLR', 'LinearLR','ExponentialLR', 'SequentialLR', 'CosineAnnealingLR', 'ChainedScheduler', 'ReduceLROnPlateau','CyclicLR', 'CosineAnnealingWarmRestarts', 'OneCycleLR', 'PolynomialLR']

三种常用的方法

1. StepLR

StepLR是一种等间隔调整学习率的方法。它按照预设的间隔（以epoch为单位）调整学习率，每次调整时将学习率乘以一个衰减因子（gamma）。

主要参数：

step_size（int）：学习率下降间隔数，即每经过多少个epoch后调整一次学习率。
gamma（float）：学习率调整倍数，默认为0.1，即每次调整学习率时，新的学习率为lr = lr * gamma。
last_epoch（int）：上一个epoch数，用于指示学习率是否需要调整。当为-1时，学习率设置为初始值。

示例代码：

import torch
import torch.optim as optim
from torch.optim.lr_scheduler import StepLRoptimizer = optim.SGD(model.parameters(), lr=0.1)
scheduler = StepLR(optimizer, step_size=30, gamma=0.1)for epoch in range(num_epochs):train(...)  # 训练模型test(...)   # 测试模型scheduler.step()  # 更新学习率

2. MultiStepLR

MultiStepLR允许用户按照给定的间隔列表（milestones）调整学习率。与StepLR不同，这里的间隔不是固定的，而是由用户自定义的一系列epoch值。

主要参数：

milestones（list）：一个列表，包含需要调整学习率的epoch数。
gamma（float）：学习率调整倍数，与StepLR相同。
last_epoch（int）：同上。

示例代码：

scheduler = MultiStepLR(optimizer, milestones=[30, 80, 120], gamma=0.1)

3. CosineAnnealingLR

CosineAnnealingLR采用余弦退火策略来调整学习率。学习率按照余弦函数周期性变化，在每个周期结束时重置为初始学习率，并在下一个周期中继续变化。

主要参数：

T_max（int）：学习率下降到最小值时的epoch数，即余弦函数周期的一半。
eta_min（float）：学习率的最小值，默认为0。
last_epoch（int）：同上。

示例代码：

scheduler = CosineAnnealingLR(optimizer, T_max=100, eta_min=0)

以上三种方法各有特点，适用于不同的训练场景。StepLR和MultiStepLR适用于需要固定或自定义间隔调整学习率的场景，而CosineAnnealingLR则提供了一种更为平滑的学习率调整方式，有助于模型在训练过程中更好地探索参数空间。在实际应用中，可以根据具体任务和模型情况选择合适的方法。