原创力文档- 1、本文档共2页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
PyTorch学习之六个学习率调整策略
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
a.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。
b.⾃适应调整：⾃适应调整学习率ReduceLROnPlateau。
c.⾃定义调整：⾃定义调整学习率LambdaLR。
1、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。需要注意的是，step通常是指epoch，不要弄成
iteration了。
torch.optim.lr_scheduler.StepLR(optimizer,step_size,gamma=0.1,last_epoch=-1)
step_size(int)-学习率下降间隔数，若为30，则会在30、60、90…个step时，将学习率调整为lr*gamma。
gamma(float)-学习率调整倍数，默认为0.1倍，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。当last_epoch符合设定的间隔时，就会对学习率进⾏调整。当为-1
2、按需调整学习率MultiStepLR
按设定的间隔调整学习率。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_scheduler.MultiStepLR(optimizer,milestones,gamma=0.1,last_epoch=-1)
milestones(list)-⼀个list，每⼀个元素代表何时调整学习率，list元素必须是递增的。如milestones=[30,80,120]
gamma(float)-学习率调整倍数，默认为0.1倍，即下降10倍。
3、指数衰减调整学习率ExponentialLR
按指数衰减调整学习率，调整公式:lr=lr∗gamma∗∗epochlr=lr*gamma**epoch
torch.optim.lr_scheduler.ExponentialLR(optimizer,gamma,last_epoch=-1)
gamma-学习率调整倍数的底，指数为epoch，即gamma**epoch
4、余弦退⽕调整学习率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∗T_max为周期，在⼀个周期内先下降，
后上升。
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer,T_max,eta_min=0,last_epoch=-1)
T_max(int)-⼀次学习率周期的迭代次数，即T_max个epoch之后重新设置学习率。
eta_min(float)-最⼩学习率，即在⼀个周期中，学习率最⼩会下降到eta_min，默认值为0。
5、⾃适应调整学习率ReduceLROnPlateau
当某指标不再变化（下降或升⾼），调整学习率，这是⾮常实⽤的学习率调整策略。
例如，当验证集的loss不再下降时，进⾏学习率调整；或者监测验证集的accuracy，当accuracy不再上升时，则调整学习率。
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)
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(
文档评论（0）