深度学习--卷积神经网络之调整学习率

一、神经网络构造--梯度下降

二、调整学习率

1、什么是调整学习率

常用的学习率有0.1、0.01以及0.001等，学习率越大则权重更新越快。一般来说，我们希望在训练初期学习率大一些，使得网络收敛迅速，在训练后期学习率小一些，使得网络更好的收敛到最优解。

2、如何实现调整学习率

（1）使用库函数进行调整

（2）手动调整学习率

3、使用库函数调整

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：

（1） 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);

1.有序调整StepLR(等间隔调整学习率)

torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1)

参数：

optimizer: 神经网络训练中使用的优化器，如optimizer=torch.optim.Adam(…)

step_size(int): 学习率下降间隔数，单位是epoch，而不是iteration.

gamma(float):学习率调整倍数，默认为0.1

每训练step_size个epoch，学习率调整为lr=lr*gamma.

2.有序调整MultiStepLR(多间隔调整学习率)

torch.optim.lr_shceduler.MultiStepLR(optimizer, milestones, gamma=0.1)

参数：

milestone(list): 一个列表参数，表示多个学习率需要调整的epoch值，如milestones=[10, 30, 80].

3.有序调整ExponentialLR (指数衰减调整学习率)

torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma)

参数：

gamma(float)：学习率调整倍数的底数，指数为epoch，初始值我lr, 倍数为γepoch

4.有序调整CosineAnnealing (余弦退火函数调整学习率)

torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0)

参数： Tmax(int):学习率下降到最小值时的epoch数，即当epoch=T_max时，学习率下降到余弦函数最小值，当epoch>T_max时，学习率将增大；

etamin: 学习率调整的最小值，即epoch=Tmax时，lrmin=etamin, 默认为0.

（2）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); （3）自定义调整：通过自定义关于epoch的lambda函数调整学习率(LambdaLR)。

1.自适应调整ReduceLROnPlateau (根据指标调整学习率)

当某指标(loss或accuracy)在最近几个epoch中都没有变化(下降或升高超过给定阈值)时，调整学习率。

torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10,verbose=False, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

2.自定义调整LambdaLR (自定义调整学习率)

可以为不同层设置不同的学习率

torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)

参数：

lr_lambda(function or list): 自定义计算学习率调整倍数的函数，通常时epoch的函数，当有多个参数组时，设为list.