IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> Pytorch Note34 学习率衰减 -> 正文阅读

[人工智能]Pytorch Note34 学习率衰减

Pytorch Note34 学习率衰减


全部笔记的汇总贴: Pytorch Note 快乐星球

对于基于一阶梯度进行优化的方法而言,开始的时候更新的幅度是比较大的,也就是说开始的学习率可以设置大一点,但是当训练集的 loss 下降到一定程度之后,,使用这个太大的学习率就会导致 loss 一直来回震荡,比如

在之前,我们会选择好一点的优化算法,但是无论是什么优化算法都有可能会出现这种问题,如果把学习率调的很小,最优化的时间又会很大,这个时候就需要对学习率进行衰减已达到 loss 的充分下降,而是用学习率衰减的办法能够解决这个矛盾,学习率衰减就是随着训练的进行不断的减小学习率。

在 pytorch 中学习率衰减非常方便,使用 torch.optim.lr_scheduler,更多的信息可以直接查看官方文档

一般来说,pytorch有两种学习率调整(衰减)方法:

  • 使用库函数进行调整
  • 手动调整

使用库函数调整学习率

PyTorch学习率调整策略通过torch.optim.lr_scheduler接口实现。PyTorch提供的学习率调整策略分为三大类,分别是

  1. 有序调整:等间隔调整(Step),按需调整学习率(MultiStep),指数衰减调整(Exponential)和余弦退火CosineAnnealing。
  2. 自适应调整:自适应调整学习率 ReduceLROnPlateau。
  3. 自定义调整:自定义调整学习率 LambdaLR。

scheduler.step()

在每个epoch的训练中,使用scheduler.step()语句进行学习率更新,此方法类似于optimizer.step()更新模型参数,即一次epoch对应一次scheduler.step()。

等间隔调整学习率 StepLR

等间隔调整学习率,调整倍数为 gamma 倍,调整间隔为 step_size。间隔单位是step,一般来说,step通常是指epoch,而不是iteration

简单点来说,就是每训练step_size个epoch,学习率调整为lr=lr*gamma。

torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)

参数:

  • optimizer: 神经网络训练中使用的优化器,如optimizer=torch.optim.SGD(…)

  • step_size(int): 学习率下降间隔数,单位是epoch,而不是iteration。比如若为30,则会在30、60、90…个step时,将学习率调整为lr*gamm

  • gamma(float): 学习率调整倍数,默认为0.1,即下降10倍

  • last_epoch(int): 上一个epoch数,这个变量用来指示学习率是否需要调整。其实就是最后一个epoch的index,如果是训练了很多个epoch后中断了,继续训练,这个值就等于加载的模型的epoch。默认为-1表示从头开始训练,即从epoch=1开始。

请添加图片描述

按需调整学习率 MultiStepLR

与StepLR类似,但是它们的区别是调节的epoch是自己定义,无需一定是等差数列,比如[30, 60, 90,…]

这个方法适合后期调试使用,观察 loss 曲线,为每个实验定制学习率调整时机。

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

参数:

  • optimizer: 神经网络训练中使用的优化器,如optimizer=torch.optim.SGD(…)

  • milestone(list): 一个列表参数,表示多个学习率需要调整的epoch值,如milestones=[10, 30, 80],就说明在第10,第30,第80个epoch进行改变

  • gamma(float): 学习率调整倍数,默认为0.1,即下降10倍

  • last_epoch(int): 上一个epoch数,这个变量用来指示学习率是否需要调整。其实就是最后一个epoch的index,如果是训练了很多个epoch后中断了,继续训练,这个值就等于加载的模型的epoch。默认为-1表示从头开始训练,即从epoch=1开始。

请添加图片描述

指数衰减调整学习率 ExponentialLR

学习率呈指数型衰减,每训练一个epoch, l r = l r × g a m m a e p o c h lr=lr \times gamma^{epoch} lr=lr×gammaepoch

torch.optim.lr_sheduler.ExponentialLR(optimizer, gamma, last_epoch)

参数:

  • optimizer: 神经网络训练中使用的优化器,如optimizer=torch.optim.SGD(…)

  • gamma(float):学习率调整倍数的底数,指数为epoch,初始值我lr, 倍数为 g a m m a e p o c h gamma^{epoch} gammaepoch

  • last_epoch(int): 上一个epoch数,这个变量用来指示学习率是否需要调整。其实就是最后一个epoch的index,如果是训练了很多个epoch后中断了,继续训练,这个值就等于加载的模型的epoch。默认为-1表示从头开始训练,即从epoch=1开始。

请添加图片描述

余弦退火函数调整学习率 CosineAnnealingLR

以余弦函数为周期,并在每个周期最大值时重新设置学习率。以初始学习率为最大学习率,以 2?Tmax 为周期,在一个周期内先下降,后上升。

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

参数:

  • T_max(int):学习率下降到最小值时的epoch数,即当epoch=T_max时,学习率下降到余弦函数最小值,当epoch>T_max时,学习率将增大
  • eta_min(float): 学习率调整的最小值,即在一个周期中,学习率最小会下降到 eta_min,默认值为 0。

请添加图片描述

根据指标调整学习率 ReduceLROnPlateau

当某指标(loss或accuracy)在最近几个epoch中都没有变化(下降或升高超过给定阈值)时,调整学习率。

如当验证集的loss不再下降时,调整学习率;或当验证集的accuracy不再升高时,调整学习率。

torch.optim.lr_sheduler.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)

参数:

  • mode(str): 模式选择,有min和max两种模式,min表示当指标不再降低(如监测loss),max表示当指标不再升高(如监测accuracy)
  • factor(float): 学习率调整倍数,同前面的gamma,当监测指标达到要求时,lr=lr×factor。
  • patience(int): 忍受该指标多少个epoch不变化,当忍无可忍时,调整学习率。
  • verbose(bool): 是否打印学习率信息,print( ‘Epoch {:5d} reducing learning rate of group {} to {:.4e}.’.format(epoch, i, new_lr), 默认为False, 即不打印该信息。
  • threshold_mode (str): 选择判断指标是否达最优的模式,有两种模式:rel 和 abs.
    当threshold_mode == rel, 并且 mode == max时,dynamic_threshold = best * (1 + threshold);
    当threshold_mode == rel, 并且 mode == min时,dynamic_threshold = best * (1 - threshold);
    当threshold_mode == abs, 并且 mode == max时,dynamic_threshold = best + threshold;
    当threshold_mode == abs, 并且 mode == min时,dynamic_threshold = best - threshold;
  • threshold(float): 配合threshold_mode使用。
  • cooldown(int): “冷却时间”,当调整学习率之后,让学习率调整策略冷静一下,让模型在训练一段时间,再重启监测模式。
  • min_lr(float or list): 学习率下限,可为float,或者list,当有多个参数组时,可用list进行设置。
  • eps(float): 学习率衰减的最小值,当学习率的变化值小于eps时,则不调整学习率。

自定义调整学习率 LambdaLR

为不同参数组设定不同学习率调整策略。调整规则为,
l r = b a s e _ l r ? l a m b d a ( s e l f . l a s t _ e p o c h ) lr=base\_lr?lambda(self.last\_epoch) lr=base_lr?lambda(self.last_epoch)
fine-tune 中十分有用,我们不仅可为不同的层设定不同的学习率,还可以为其设定不同的学习率调整策略。

torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)

参数:

  • lr_lambda(function or list): 自定义计算学习率调整倍数的函数,通常时epoch的函数,当有多个参数组时,设为list.
  • last_epoch (int) – 上一个 epoch 数,这个变量用来指示学习率是否需要调整。当last_epoch 符合设定的间隔时,就会对学习率进行调整。当为-1 时,学习率设置为初始值。

手动调整学习率

手动调整学习率,通常可以定义如下函数:

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
def adjust_learning_rate(epoch, lr):
    if epoch <= 81:  # 32k iterations
      return lr
    elif epoch <= 122:  # 48k iterations
      return lr/10
    else:
      return lr/100

该函数通过修改每个epoch下,各参数组中的lr来进行学习率手动调整,用法如下:

for epoch in range(epochs):
    lr = adjust_learning_rate(optimizer, epoch)  # 调整学习率
    optimizer = optim.SGD(net.parameters(), lr=lr, momentum=0.9, weight_decay=5e-4)
    ......
    optimizer.step()  # 采用新的学习率进行参数更新

附:给出画上述学习率变化图的程序:

import torch
import torch.optim as optim
from torch.optim import lr_scheduler
from torchvision.models import AlexNet
import matplotlib.pyplot as plt 


model = AlexNet(num_classes=2)
optimizer = optim.SGD(params=model.parameters(), lr=0.1)

# 等间隔调整学习率,每训练step_size个epoch,lr*gamma
# scheduler = lr_scheduler.StepLR(optimizer, step_size=30, gamma=0.1)

# 多间隔调整学习率,每训练至milestones中的epoch,lr*gamma
# scheduler = lr_scheduler.MultiStepLR(optimizer, milestones=[10, 30, 80], gamma=0.1)

# 指数学习率衰减,lr*gamma**epoch
# scheduler = lr_scheduler.ExponentialLR(optimizer, gamma=0.9)

# 余弦退火学习率衰减,T_max表示半个周期,lr的初始值作为余弦函数0处的极大值逐渐开始下降,
# 在epoch=T_max时lr降至最小值,即pi/2处,然后进入后半个周期,lr增大
# scheduler = lr_scheduler.CosineAnnealingLR(optimizer, T_max=100, eta_min=0)

plt.figure()
x = list(range(100))
y = []
for epoch in range(100):
    scheduler.step()
    y.append(scheduler.get_lr()[0])

plt.plot(x, y)
plt.show()

得到学习率

optimizer通过param_group来管理参数组.param_group中保存了参数组及其对应的学习率,动量等等.所以我们可以通过更改param_group[‘lr’]的值来更改对应参数组的学习率。

aijust_learning_rate() 函数就是通过for循环遍历取出每一个param_group,然后修改其中的键 ‘lr’ 的值,称之为手动调整学习率

这个参数组是一个字典,里面有很多属性,比如学习率,权重衰减等等,我们可以访问以下

print('learning rate: {}'.format(optimizer.param_groups[0]['lr']))
print('weight decay: {}'.format(optimizer.param_groups[0]['weight_decay']))
learning rate: 0.01
weight decay: 0.0001

如果想要每次迭代都实时打印学习率,这样可以每次step都能知道更新的最新学习率,也可以使用

scheduler.get_lr()

它返回一个学习率列表,由参数组中的不同学习率组成,可通过列表索引来得到不同参数组中的学习率。

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-07-26 12:05:46  更:2021-07-26 12:07:00 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年3日历 -2024/3/29 10:06:59-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码