記錄下schedule設(shè)置學(xué)習(xí)率變化過(guò)程的使用和方法

優(yōu)化器optimizer

pytorch提供數(shù)種優(yōu)化器的實(shí)現(xiàn)，優(yōu)化器根據(jù)計(jì)算圖的結(jié)構(gòu)，進(jìn)行梯度計(jì)算，根據(jù)loss信息實(shí)現(xiàn)自動(dòng)的BP過(guò)程。

常用的就是 Adam ，將網(wǎng)絡(luò)參數(shù)傳入，設(shè)置初始的 learning-rate 學(xué)習(xí)率即可:

optimizer = torch.optim.Adam(model.parameters(), lr=args.learn_rate)

在訓(xùn)練中：

optimizer.zero_grad()
loss.backward()
optimizer.step()

即可實(shí)現(xiàn)BP環(huán)節(jié)。

scheduler

lr_scheduler 提供了隨著訓(xùn)練的迭代次數(shù)對(duì)optimizer的學(xué)習(xí)率進(jìn)行修改的類和方法，通過(guò)在循環(huán)過(guò)程中調(diào)用：

scheduler.step()

每次調(diào)用step方法，類中內(nèi)置的計(jì)數(shù)器就會(huì)+1，即 epoch 輪次數(shù)增加。

根據(jù)不同的當(dāng)前 epoch ，scheduler類會(huì)對(duì)optimizer中的learning-rate進(jìn)行修改。

利用 optimizer.param_groups[0]['lr'] 可查看當(dāng)前的學(xué)習(xí)率大小。

這邊整理三個(gè)常用的類：LambdaLR，StepLR和MultiStepLR。

個(gè)人覺(jué)得這三種就能應(yīng)對(duì)大部分的調(diào)整需求了。

LambdaLR

完整的類包為 torch.optim.lr_scheduler.LambdaLR 。

該類實(shí)現(xiàn)的學(xué)習(xí)率變化策略為當(dāng)前學(xué)習(xí)率乘以值 λ ， λ 的大小由一個(gè)自定函數(shù)確定，該函數(shù)輸入為epoch，即類中的循環(huán)次數(shù)計(jì)數(shù)（也就是調(diào)用 scheduler.step() 的次數(shù)）。

learing-rate = λ * learing-rate

LambdaLR(optimizer, lr_lambda, last_epoch=-1)

其中 lr_lambda 為λ的計(jì)算函數(shù)。

給個(gè)使用例子：

# 簡(jiǎn)單寫(xiě)個(gè)Moudle生成parameter
class MyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.liner = nn.Linear(10, 10)
model = MyModel()
# 生成optimizer
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

計(jì)算函數(shù)：

def lb_func(epoch):
    return 1 / (epoch + 1)

在循環(huán)中使用：

lambda_scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lb_func)
for epoch in range(10):
    optimizer.zero_grad()
    optimizer.step()
    print("當(dāng)前l(fā)r為{}".format(optimizer.param_groups[0]['lr']))
    lambda_scheduler.step()

輸出：

當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.005
當(dāng)前l(fā)r為0.003333333333333333
當(dāng)前l(fā)r為0.0025
當(dāng)前l(fā)r為0.002
當(dāng)前l(fā)r為0.0016666666666666666
當(dāng)前l(fā)r為0.0014285714285714286
當(dāng)前l(fā)r為0.00125
當(dāng)前l(fā)r為0.0011111111111111111
當(dāng)前l(fā)r為0.001

當(dāng)scheduler調(diào)用step之后，就能修改對(duì)應(yīng)的optimizer的lr參數(shù)，從而改變整體訓(xùn)練的學(xué)習(xí)率。

StepLR

完整的類包為 torch.optim.lr_scheduler.StepLR 。

該類的學(xué)習(xí)策略為設(shè)定某個(gè)間隔 step_size ，在經(jīng)過(guò)間隔次數(shù)的循環(huán)之后，就將學(xué)習(xí)率乘以γ得到新的學(xué)習(xí)率。

learning_rate = learning_rate * (γ ^ (epoch//step_size))

StepLR(optimizer, step_size, gamma)

給個(gè)使用例子：

step_scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1)
for epoch in range(10):
    optimizer.zero_grad()
    optimizer.step()
    print("當(dāng)前l(fā)r為{}".format(optimizer.param_groups[0]['lr']))
    step_scheduler.step()

輸出：

當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.001
當(dāng)前l(fā)r為0.001
當(dāng)前l(fā)r為0.001
當(dāng)前l(fā)r為0.0001
當(dāng)前l(fā)r為0.0001
當(dāng)前l(fā)r為0.0001
當(dāng)前l(fā)r為1e-05

設(shè)定間隔和γ值即可。

MultiStepLR

完整的類包為 torch.optim.lr_scheduler.MultiStepLR 。

這個(gè)類更新策略和step差不多，但其不一定為等間隔更新，有里程碑 milestones 參數(shù)，用來(lái)傳入更新的輪次list，每次迭代次數(shù)到達(dá) milestones 中的某值，即進(jìn)行學(xué)習(xí)率的更新。

MultiStepLR(optimizer, milestones, gamma)

milestones 需要順序排列。

給個(gè)使用例子：

multi_scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[2, 4, 6, 8], gamma=0.1)
for epoch in range(10):
    optimizer.zero_grad()
    optimizer.step()
    print("當(dāng)前l(fā)r為{}".format(optimizer.param_groups[0]['lr']))
    multi_scheduler.step()

輸出：

當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.01
當(dāng)前l(fā)r為0.001
當(dāng)前l(fā)r為0.001
當(dāng)前l(fā)r為0.0001
當(dāng)前l(fā)r為0.0001
當(dāng)前l(fā)r為1e-05
當(dāng)前l(fā)r為1e-05
當(dāng)前l(fā)r為1.0000000000000002e-06
當(dāng)前l(fā)r為1.0000000000000002e-06

last_epoch

scheduler初始化的時(shí)候都有個(gè) last_epoch 的參數(shù)，當(dāng)訓(xùn)練中止保存后，重開(kāi)的時(shí)候就會(huì)調(diào)用 last_epoch 作為當(dāng)前epoch，以繼續(xù)訓(xùn)練，默認(rèn)為-1從頭開(kāi)始。

參考文檔

lr_scheduler文檔：https://pytorch.org/docs/stable/_modules/torch/optim/lr_scheduler.html

總結(jié)

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論