轉載自https://blog.csdn.net/shanglianlm/article/details/85143614

PyTorch學習率調整策略通過torch.optim.lr_scheduler介面實現。PyTorch提供的學習率調整策略分為三大類，分別是

a. 有序調整：等間隔調整(Step)，按需調整學習率(MultiStep)，指數衰減調整(Exponential)和 餘弦退火CosineAnnealing。
b. 自適應調整：自適應調整學習率 ReduceLROnPlateau。
c. 自定義調整：自定義調整學習率 LambdaLR。

1 等間隔調整學習率 StepLR

等間隔調整學習率，調整倍數為 gamma 倍，調整間隔為 step_size。間隔單位是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)

• 1

引數：

step_size(int)- 學習率下降間隔數，若為 30，則會在 30、 60、 90…個 step 時，將學習率調整為 lr*gamma。
gamma(float)- 學習率調整倍數，預設為 0.1 倍，即下降 10 倍。
last_epoch(int)- 上一個 epoch 數，這個變數用來指示學習率是否需要調整。當last_epoch 符合設定的間隔時，就會對學習率進行調整。當為-1 時，學習率設定為初始值。

2 按需調整學習率 MultiStepLR

按設定的間隔調整學習率。這個方法適合後期除錯使用，觀察 loss 曲線，為每個實驗定製學習率調整時機。

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

• 1

引數：

milestones(list)- 一個 list，每一個元素代表何時調整學習率， list 元素必須是遞增的。如 milestones=[30,80,120]
gamma(float)- 學習率調整倍數，預設為 0.1 倍，即下降 10 倍。

3 指數衰減調整學習率 ExponentialLR

按指數衰減調整學習率，調整公式:l r = l r ∗ g a m m a ∗ ∗ e p o c h lr = lr * gamma**epochlr=lr∗gamma∗∗epoch

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

• 1

引數：

gamma- 學習率調整倍數的底，指數為 epoch，即 gamma**epoch

4 餘弦退火調整學習率 CosineAnnealingLR

以餘弦函式為週期，並在每個週期最大值時重新設定學習率。以初始學習率為最大學習率，以2 ∗ T m a x 2*Tmax2∗Tmax為週期，在一個週期內先下降，後上升。

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

• 1

引數：

T_max(int)- 一次學習率週期的迭代次數，即 T_max 個 epoch 之後重新設定學習率。
eta_min(float)- 最小學習率，即在一個週期中，學習率最小會下降到 eta_min，預設值為 0。

5 自適應調整學習率 ReduceLROnPlateau

當某指標不再變化（下降或升高），調整學習率，這是非常實用的學習率調整策略。
例如，當驗證集的 loss 不再下降時，進行學習率調整；或者監測驗證集的 accuracy，當accuracy 不再上升時，則調整學習率。

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)

• 1

引數：

mode(str)- 模式選擇，有 min 和 max 兩種模式， min 表示當指標不再降低(如監測loss)， max 表示當指標不再升高(如監測 accuracy)。
factor(float)- 學習率調整倍數(等同於其它方法的 gamma)，即學習率更新為 lr = lr * factor
patience(int)- 忍受該指標多少個 step 不變化，當忍無可忍時，調整學習率。
verbose(bool)- 是否列印學習率資訊， print(‘Epoch {:5d}: reducing learning rate of group {} to {:.4e}.’.format(epoch, i, new_lr))
threshold_mode(str)- 選擇判斷指標是否達最優的模式，有兩種模式， rel 和 abs。
當 threshold_mode == rel，並且 mode == max 時， dynamic_threshold = best * ( 1 +threshold )；
當 threshold_mode == rel，並且 mode == min 時， dynamic_threshold = best * ( 1 -threshold )；
當 threshold_mode == abs，並且 mode== max 時， dynamic_threshold = best + threshold ；
當 threshold_mode == rel，並且 mode == max 時， dynamic_threshold = best - threshold；
threshold(float)- 配合 threshold_mode 使用。
cooldown(int)- “冷卻時間“，當調整學習率之後，讓學習率調整策略冷靜一下，讓模型再訓練一段時間，再重啟監測模式。
min_lr(float or list)- 學習率下限，可為 float，或者 list，當有多個引數組時，可用 list 進行設定。
eps(float)- 學習率衰減的最小值，當學習率變化小於 eps 時，則不調整學習率。

6 自定義調整學習率 LambdaLR

為不同引數組設定不同學習率調整策略。調整規則為，

l r = b a s e _ l r ∗ l m b d a ( s e l f . l a s t _ e p o c h ) lr = base\_lr *lmbda(self.last\_epoch)lr=base_lr∗lmbda(self.last_epoch)

fine-tune 中十分有用，我們不僅可為不同的層設定不同的學習率，還可以為其設定不同的學習率調整策略。

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

• 1

引數：

lr_lambda(function or list)- 一個計算學習率調整倍數的函式，輸入通常為 step，當有多個引數組時，設為 list。