Introduction
學習率 (learning rate)，控制 模型的 學習進度 ：
lr 即 stride (步長) ，即反向傳播算法中的 ηη ：
ωn←ωn−η∂L∂ωnωn←ωn−η∂L∂ωn
學習率大小
| 學習率 大 | 學習率 小 | |
|---|---|---|
| 學習速度 | 快 | 慢 |
| 使用時間點 | 剛開始訓練時 | 一定輪數過后 |
| 副作用 | 1.易損失值爆炸；2.易振盪。 | 1.易過擬合；2.收斂速度慢。 |
學習率設置
在訓練過程中，一般根據訓練輪數設置動態變化的學習率。
- 剛開始訓練時：學習率以 0.01 ~ 0.001 為宜。
- 一定輪數過后：逐漸減緩。
- 接近訓練結束：學習速率的衰減應該在100倍以上。
Note：
如果是 遷移學習 ，由於模型已在原始數據上收斂，此時應設置較小學習率 (≤10−4≤10−4) 在新數據上進行 微調 。
把脈 目標函數損失值 曲線
理想情況下 曲線 應該是 滑梯式下降 [綠線]：
1. 曲線 初始時 上揚 [紅線]： Solution：初始 學習率過大 導致 振盪，應減小學習率，並 從頭 開始訓練 。
2. 曲線 初始時 強勢下降 沒多久 歸於水平 [紫線]： Solution：后期 學習率過大 導致 無法擬合，應減小學習率，並 重新訓練 后幾輪 。
3. 曲線 全程緩慢 [黃線]： Solution：初始 學習率過小 導致 收斂慢，應增大學習率，並從頭 開始訓練。