深度煉丹如同燉排骨一般，需要先大火全局加熱，緊接着中火燉出營養，最后轉小火收汁。
本文給出煉丹中的 “火候控制器”-- 學習率的幾種調節方法，框架基於 pytorch

1. 自定義根據 epoch 改變學習率。

這種方法在開源代碼中常見，此處引用 pytorch 官方實例中的代碼 adjust_lr

def adjust_learning_rate(optimizer, epoch): """Sets the learning rate to the initial LR decayed by 10 every 30 epochs""" lr = args.lr * (0.1 ** (epoch // 30)) for param_group in optimizer.param_groups: param_group['lr'] = lr

注釋：在調用此函數時需要輸入所用的 optimizer 以及對應的 epoch ，並且 args.lr 作為初始化的學習率也需要給出。

使用代碼示例:

optimizer = torch.optim.SGD(model.parameters(),lr = args.lr,momentum = 0.9) for epoch in range(10): adjust_learning_rate(optimizer,epoch) train(...) validate(...)

2. 針對模型的不同層設置不同的學習率

當我們在使用預訓練的模型時，需要對分類層進行單獨修改並進行初始化，其他層的參數采用預訓練的模型參數進行初始化，這個時候我們希望在進行訓練過程中，除分類層以外的層只進行微調，不需要過多改變參數，因此需要設置較小的學習率。而改正后的分類層則需要以較大的步子去收斂，學習率往往要設置大一點以 resnet101 為例，分層設置學習率。

model = torchvision.models.resnet101(pretrained=True) large_lr_layers = list(map(id,model.fc.parameters())) small_lr_layers = filter(lambda p:id(p) not in large_lr_layers,model.parameters()) optimizer = torch.optim.SGD([ {"params":large_lr_layers}, {"params":small_lr_layers,"lr":1e-4} ],lr = 1e-2,momenum=0.9)

注：large_lr_layers 學習率為 1e-2，small_lr_layers 學習率為 1e-4，兩部分參數共用一個 momenum

3. 根據具體需要改變 lr

以前使用 keras 的時候比較喜歡 ReduceLROnPlateau 可以根據 損失或者 准確度的變化來改變 lr。最近發現 pytorch 也實現了這一個功能。

class 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)

以 acc 為例，當 mode 設置為 “max” 時，如果 acc 在給定 patience 內沒有提升，則以 factor 的倍率降低 lr。

使用方法示例：

optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9) scheduler = ReduceLROnPlateau(optimizer, 'max',verbose=1,patience=3) for epoch in range(10): train(...) val_acc = validate(...) # 降低學習率需要在給出 val_acc 之后 scheduler.step(val_acc)

4. 手動設置 lr 衰減區間

使用方法示例

def adjust_learning_rate(optimizer, lr): for param_group in optimizer.param_groups: param_group['lr'] = lr for epoch in range(60): lr = 30e-5 if epoch > 25: lr = 15e-5 if epoch > 30: lr = 7.5e-5 if epoch > 35: lr = 3e-5 if epoch > 40: lr = 1e-5 adjust_learning_rate(optimizer, lr)

5. 余弦退火

論文: SGDR: Stochastic Gradient Descent with Warm Restarts

使用方法示例

epochs = 60
optimizer = optim.SGD(model.parameters(),lr = config.lr,momentum=0.9,weight_decay=1e-4) 
scheduler = lr_scheduler.CosineAnnealingLR(optimizer,T_max = (epochs // 9) + 1)
for epoch in range(epochs):
    scheduler.step(epoch)

目前最常用的也就這么多了，當然也有很多其他類別，詳情見 how-to-adjust-learning-rate

參考文獻