pytorch實現學習率衰減
手動修改optimizer中的lr
使用for循環來手動人工進行learning rate的衰減
model = net()
LR = 0.01
optimizer = Adam(model.parameters(),lr = LR)
lr_list = []
for epoch in range(100):
if epoch % 5 == 0:
for p in optimizer.param_groups:
p['lr'] *= 0.9#注意這里
lr_list.append(optimizer.state_dict()['param_groups'][0]['lr'])
plt.plot(range(100),lr_list,color = 'r')
使用lr_scheduler
LambdaLR——lambda函數衰減
torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)
lr_lambda 會接收到一個int參數：epoch，然后根據epoch計算出對應的lr。如果設置多個lambda函數的話，會分別作用於Optimizer中的不同的params_group
import numpy as np
lr_list = []
model = net()
LR = 0.01
optimizer = Adam(model.parameters(),lr = LR)
lambda1 = lambda epoch:np.sin(epoch) / epoch
scheduler = lr_scheduler.LambdaLR(optimizer,lr_lambda = lambda1)
for epoch in range(100):
scheduler.step()
lr_list.append(optimizer.state_dict()['param_groups'][0]['lr'])
plt.plot(range(100),lr_list,color = 'r')
StepLR——階梯式衰減
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)
每個一定的epoch，lr會自動乘以gamma進行階梯式衰減
⭐⭐⭐注意：pytorch1.1.0之后scheduler.step()要放在optimizer.step()之后！！！
lr_list = []
model = net()
LR = 0.01
optimizer = Adam(model.parameters(),lr = LR)
scheduler = lr_scheduler.StepLR(optimizer,step_size=5,gamma = 0.8)
for epoch in range(100):
scheduler.step()
lr_list.append(optimizer.state_dict()['param_groups'][0]['lr'])
plt.plot(range(100),lr_list,color = 'r')
MultiStepLR——多階梯式衰減
torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)
三段式lr，epoch進入milestones范圍內即乘以gamma，離開milestones范圍之后再乘以gamma。這種衰減方式也是在學術論文中最常見的方式，一般手動調整也會采用這種方法。
lr_list = []
model = net()
LR = 0.01
optimizer = Adam(model.parameters(),lr = LR)
scheduler = lr_scheduler.MultiStepLR(optimizer,milestones=[20,80],gamma = 0.9)
for epoch in range(100):
scheduler.step()
lr_list.append(optimizer.state_dict()['param_groups'][0]['lr'])
plt.plot(range(100),lr_list,color = 'r')
ExponentialLR——指數連續衰減
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)
每個epoch中lr都乘以gamma
lr_list = []
model = net()
LR = 0.01
optimizer = Adam(model.parameters(),lr = LR)
scheduler = lr_scheduler.ExponentialLR(optimizer, gamma=0.9)
for epoch in range(100):
scheduler.step()
lr_list.append(optimizer.state_dict()['param_groups'][0]['lr'])
plt.plot(range(100),lr_list,color = 'r')
CosineAnnealingLR——余弦退火衰減
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1)
T_max 對應1/2個cos周期所對應的epoch數值
eta_min 為最小的lr值，默認為0
ReduceLROnPlateau
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)
在發現loss不再降低或者acc不再提高之后，降低學習率。
各參數意義如下：
mode：'min'模式檢測metric是否不再減小，'max'模式檢測metric是否不再增大；
factor: 觸發條件后lr*=factor；
patience:不再減小（或增大）的累計次數；
verbose:觸發條件后print；
threshold:只關注超過閾值的顯著變化；
threshold_mode:有rel和abs兩種閾值計算模式，rel規則：max模式下如果超過best(1+threshold)為顯著，min模式下如果低於best(1-threshold)為顯著；abs規則：max模式下如果超過best+threshold為顯著，min模式下如果低於best-threshold為顯著；
cooldown：觸發一次條件后，等待一定epoch再進行檢測，避免lr下降過速；
min_lr:最小的允許lr；
eps:如果新舊lr之間的差異小與1e-8，則忽略此次更新。