PyTorch学习率衰减函数

在网络训练过程中，经常要根据实际情况改变学习率以适应当前阶段的学习。

PyTorch中给出的lr_scheduler模块就可以实现多种学习率衰减。

1 导入模块

from torch.optim import lr_scheduler

2 在训练代码中optimizer定义后，规定衰减策略

衰减策略具体解释参考链接
https://www.jianshu.com/p/9643cba47655

• LambdaLR
  

scheduler = lr_scheduler.LambdaLR(optimizer,lr_lambda = lambda1)

• StepLR
  

scheduler = lr_scheduler.StepLR(optimizer, step_size=1, gamma=0.8)

• MultiStepLR
  

torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)

• ExponentialLR

torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)

• CosineAnnealingLR
  

torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1)

• 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)

3 在训练过程中，需要衰减的节点加上这一句：

# 使得学习率按照制定策略衰减一次
scheduler.step()

4 另：查看当前optimizer的学习率

print(optimizer.state_dict()['param_groups'][0]['lr'])

来源：CSDN

作者：Loy_Fan

链接：https://blog.csdn.net/weixin_43318626/article/details/103999106