【Pytorch】SGDR

pytorch中既自带了学习率函数，我们也可以自定义学习率调整函数。调整函数通常随epoch的变化而变化。首先实现自定义学习率调整：

自定义学习率调整

以SGDR余弦学习率调整为例：
论文地址：https://arxiv.org/abs/1608.03983


在pytorch中的训练代码：

# 第epoch值进行计算并更新学习率
def adjust_lr(optimizer, epoch, T_0=10, eta_max=0.1, eta_min=0.):
	if T_mul == 2:
	    i = np.log2(epoch / T_0 + 1).astype(np.int)
	    T_cur = epoch - T_0 * (T_mult ** (i) - 1)
	    T_i = (T_0 * T_mult ** i)
	elif T_mul == 1:
		T_cur = epoch % T_0
        T_i = T_0
	cur_lr = eta_min + 0.5 * (eta_max - eta_min) * (1 + np.cos(np.pi * T_cur / T_i))

    for param_group in optimizer.param_groups:
        param_group['lr'] = cur_lr


optimizer = optim.SGD(net.parameters(), lr=0.1, momentum=0.9, weight_decay=1e-4, nesterov=True)
for epoch in range(100):
	adjust_lr(optimizer, epoch)
	train()

Note: optimizer.param_groups保存为了优化器的参数信息，为一个列表，但是只有一个字典元素，字典里面具有参数信息。

pytorch自带的学习率函数

文档链接：https://pytorch.org/docs/stable/optim.html#torch.optim.lr_scheduler.CosineAnnealingLR

optimizer = optim.SGD(net.parameters(), lr=0.1, momentum=0.9, weight_decay=1e-4, nesterov=True)
lr_schduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=300, eta_min=0)

for epoch in range(100):
	lr_schduler.step(epoch)
	train()

常用的学习率调整策略还有：

（1）torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, las
t_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:表示上一轮是那个，接着上一轮继续开始

（2）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]