一、为什么要调整学习率？

学习率（learning rate）：控制更新的步伐
一般在模型训练过程中，在开始训练的时候我们会设置学习率大一些，随着模型训练epoch的增加，学习率会逐渐设置小一些。

1.1 class _LRScheduler

学习率调整的父类函数

主要属性：
• optimizer：关联的优化器
• last_epoch：记录epoch数
• base_lrs：记录初始学习率
主要方法：
• step()：更新下一个epoch的学习率，该操作必须放到epoch循环下面
• get_lr()：虚函数，计算下一个epoch的学习率

二、pytorch的六种学习率调整策略

2.1 StepLR

功能：等间隔调整学习率
主要参数：
• step_size：调整间隔数
• gamma：调整系数
调整方式：lr = lr * gamma

代码实现：

import torch
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plttorch.manual_seed(1)LR = 0.1
iteration = 10
max_epoch = 200
# ------------------------------ fake data and optimizer  ------------------------------weights = torch.randn((1), requires_grad=True)
target = torch.zeros((1))optimizer = optim.SGD([weights], lr=LR, momentum=0.9)# ------------------------------ 1 Step LR ------------------------------
# flag = 0
flag = 1
if flag:scheduler_lr = optim.lr_scheduler.StepLR(optimizer, step_size=50, gamma=0.1)  # 设置学习率下降策略，50轮下降一次，每次下降10倍lr_list, epoch_list = list(), list()for epoch in range(max_epoch):lr_list.append(scheduler_lr.get_lr())epoch_list.append(epoch)for i in range(iteration):loss = torch.pow((weights - target), 2)loss.backward()optimizer.step()optimizer.zero_grad()scheduler_lr.step()  # 学习率更新策略plt.plot(epoch_list, lr_list, label="Step LR Scheduler")plt.xlabel("Epoch")plt.ylabel("Learning rate")plt.legend()plt.show()

输出结果：

因为我们设置每50个epoch降低一次学习率，所以在7774554

2.2 MultiStepLR

功能：按给定间隔调整学习率
主要参数：
• milestones：设定调整时刻数
• gamma：调整系数
调整方式：lr = lr * gamma

代码实现

flag = 1
if flag:milestones = [50, 125, 160]  # 设置学习率下降的位置scheduler_lr = optim.lr_scheduler.MultiStepLR(optimizer, milestones=milestones, gamma=0.1)lr_list, epoch_list = list(), list()for epoch in range(max_epoch):lr_list.append(scheduler_lr.get_lr())epoch_list.append(epoch)for i in range(iteration):loss = torch.pow((weights - target), 2)loss.backward()optimizer.step()optimizer.zero_grad()scheduler_lr.step()plt.plot(epoch_list, lr_list, label="Multi Step LR Scheduler\nmilestones:{}".format(milestones))plt.xlabel("Epoch")plt.ylabel("Learning rate")plt.legend()plt.show()

输出结果

根据我们设置milestones = [50, 125, 160]，发现学习率在这三个地方发生下降。

2.3 ExponentialLR

功能：按指数衰减调整学习率
主要参数：
• gamma：指数的底
调整方式：lr = lr * gamma^epoch;这里的gamma通常设置为接近1的数值，例如：0.95

代码实现

flag = 1
if flag:gamma = 0.95scheduler_lr = optim.lr_scheduler.ExponentialLR(optimizer, gamma=gamma)lr_list, epoch_list = list(), list()for epoch in range(max_epoch):lr_list.append(scheduler_lr.get_lr())epoch_list.append(epoch)for i in range(iteration):loss = torch.pow((weights - target), 2)loss.backward()optimizer.step()optimizer.zero_grad()scheduler_lr.step()plt.plot(epoch_list, lr_list, label="Exponential LR Scheduler\ngamma:{}".format(gamma))plt.xlabel("Epoch")plt.ylabel("Learning rate")plt.legend()plt.show()

输出结果

可以发现学习率是呈指数下降的。

2.4 CosineAnnealingLR

功能：余弦周期调整学习率
主要参数：
• T_max：下降周期
• eta_min：学习率下限
调整方式：

代码实现

flag = 1
if flag:t_max = 50scheduler_lr = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=t_max, eta_min=0.)lr_list, epoch_list = list(), list()for epoch in range(max_epoch):lr_list.append(scheduler_lr.get_lr())epoch_list.append(epoch)for i in range(iteration):loss = torch.pow((weights - target), 2)loss.backward()optimizer.step()optimizer.zero_grad()scheduler_lr.step()plt.plot(epoch_list, lr_list, label="CosineAnnealingLR Scheduler\nT_max:{}".format(t_max))plt.xlabel("Epoch")plt.ylabel("Learning rate")plt.legend()plt.show()

输出结果

2.5 ReduceLRonPlateau

功能：监控指标，当指标不再变化则调整，例如：可以监控我们的loss或者准确率，当其不发生变化的时候，调整学习率。
主要参数：
• mode：min/max 两种模式
min模式：当某一个值不下降的时候我们调整学习率，通常用于监控损失
max模型：当某一个值不上升的时候我们调整学习率，通常用于监控精确度
• factor：调整系数
• patience：“耐心”，接受几次不变化
• cooldown：“冷却时间”，停止监控一段时间
• verbose：是否打印日志
• min_lr：学习率下限
• eps：学习率衰减最小值

代码实现

flag = 1
if flag:loss_value = 0.5accuray = 0.9factor = 0.1  # 学习率变换参数mode = "min"patience = 10  # 能接受多少轮不变化cooldown = 10  # 停止监控多少轮min_lr = 1e-4  # 设置学习率下限verbose = True  # 打印更新日志scheduler_lr = optim.lr_scheduler.ReduceLROnPlateau(optimizer, factor=factor, mode=mode, patience=patience,cooldown=cooldown, min_lr=min_lr, verbose=verbose)for epoch in range(max_epoch):for i in range(iteration):# train(...)optimizer.step()optimizer.zero_grad()#if epoch == 5:# loss_value = 0.4scheduler_lr.step(loss_value) #监控的标量是否下降

输出结果

2.6 LambdaLR

功能：自定义调整策略
主要参数：
• lr_lambda：function or list

代码实现

flag = 1
if flag:lr_init = 0.1weights_1 = torch.randn((6, 3, 5, 5))weights_2 = torch.ones((5, 5))optimizer = optim.SGD([{'params': [weights_1]},{'params': [weights_2]}], lr=lr_init)# 设置两种不同的学习率调整方法lambda1 = lambda epoch: 0.1 ** (epoch // 20)  # 每到20轮的时候学习率变为原来的0.1倍lambda2 = lambda epoch: 0.95 ** epoch  # 将学习率进行指数下降scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=[lambda1, lambda2])lr_list, epoch_list = list(), list()for epoch in range(max_epoch):for i in range(iteration):# train(...)optimizer.step()optimizer.zero_grad()scheduler.step()lr_list.append(scheduler.get_lr())epoch_list.append(epoch)print('epoch:{:5d}, lr:{}'.format(epoch, scheduler.get_lr()))plt.plot(epoch_list, [i[0] for i in lr_list], label="lambda 1")plt.plot(epoch_list, [i[1] for i in lr_list], label="lambda 2")plt.xlabel("Epoch")plt.ylabel("Learning Rate")plt.title("LambdaLR")plt.legend()plt.show()

输出结果

通过lambda方法定义了两种不同的学习率下降策略。

三、学习率调整小结

1. 有序调整：Step、MultiStep、Exponential 和 CosineAnnealing
2. 自适应调整：ReduceLROnPleateau
3. 自定义调整：Lambda

四、学习率初始化

1、设置较小数：0.01、0.001、0.0001
2、搜索最大学习率： 参考该篇《Cyclical Learning Rates for Training Neural Networks》
方法：我们可以设置学习率逐渐从小变大观察精确度的一个变化，下面这幅图，当学习率为0.055左右的时候模型精确度最高，当学习率大于0.055的时候精确度出现下降情况，所以在模型训练过程中我们可以设置学习率为0.055作为我们的初始学习率。