在深度學習中，經常需要動態調整學習率，以達到更好地訓練效果，本文紀錄在pytorch中的實現方法，其優化器例項為SGD優化器，其他如Adam優化器同樣適用。

一般來說，在以SGD優化器作為基本優化器，然後根據epoch實現學習率指數下降，程式碼如下:

step = [10,20,30,40]
base_lr = 1e-4
sgd_opt = torch.optim.SGD(model.parameters(),lr=base_lr,nesterov=True,momentum=0.9)
def adjust_lr(epoch):
 lr = base_lr * (0.1 ** np.sum(epoch >= np.array(step)))
 for params_group in sgd_opt.param_groups:
  params_group['lr'] = lr
 return lr

只需要在每個train的epoch之前使用這個函式即可。

for epoch in range(60):
 model.train()
 adjust_lr(epoch)
 for ind,each in enumerate(train_loader):
 mat,label = each
 ... 

補充知識：Pytorch框架下應用Bi-LSTM實現汽車評論文字關鍵詞抽取

需要呼叫的模組及整體Bi-lstm流程

import torch
import pandas as pd
import numpy as np
from tensorflow import keras
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.utils.data import DataLoader
from torch.utils.data import TensorDataset
import gensim
from sklearn.model_selection import train_test_split
class word_extract(nn.Module):
 def __init__(self,d_model,embedding_matrix):
  super(word_extract,self).__init__()
  self.d_model=d_model
  self.embedding=nn.Embedding(num_embeddings=len(embedding_matrix),embedding_dim=200)
  self.embedding.weight.data.copy_(embedding_matrix)
  self.embedding.weight.requires_grad=False
  self.lstm1=nn.LSTM(input_size=200,hidden_size=50,bidirectional=True)
  self.lstm2=nn.LSTM(input_size=2*self.lstm1.hidden_size,bidirectional=True)
  self.linear=nn.Linear(2*self.lstm2.hidden_size,4)

 def forward(self,x):
  w_x=self.embedding(x)
  first_x,(first_h_x,first_c_x)=self.lstm1(w_x)
  second_x,(second_h_x,second_c_x)=self.lstm2(first_x)
  output_x=self.linear(second_x)
  return output_x

將文字轉換為數值形式

def trans_num(word2idx,text):
 text_list=[]
 for i in text:
  s=i.rstrip().replace('\r','').replace('\n','').split(' ')
  numtext=[word2idx[j] if j in word2idx.keys() else word2idx['_PAD'] for j in s ]
  text_list.append(numtext)
 return text_list

將Gensim裡的詞向量模型轉為矩陣形式，後續匯入到LSTM模型中

def establish_word2vec_matrix(model): #負責將數值索引轉為要輸入的資料
 word2idx = {"_PAD": 0} # 初始化 `[word : token]` 字典，後期 tokenize 語料庫就是用該詞典。
 num2idx = {0: "_PAD"}
 vocab_list = [(k,model.wv[k]) for k,v in model.wv.vocab.items()]

 # 儲存所有 word2vec 中所有向量的陣列，留意其中多一位，詞向量全為 0， 用於 padding
 embeddings_matrix = np.zeros((len(model.wv.vocab.items()) + 1,model.vector_size))
 for i in range(len(vocab_list)):
  word = vocab_list[i][0]
  word2idx[word] = i + 1
  num2idx[i + 1] = word
  embeddings_matrix[i + 1] = vocab_list[i][1]
 embeddings_matrix = torch.Tensor(embeddings_matrix)
 return embeddings_matrix,word2idx,num2idx

訓練過程

def train(model,epoch,learning_rate,batch_size,x,y,val_x,val_y):
 optimizor = optim.Adam(model.parameters(),lr=learning_rate)
 data = TensorDataset(x,y)
 data = DataLoader(data,batch_size=batch_size)
 for i in range(epoch):
  for j,(per_x,per_y) in enumerate(data):
   output_y = model(per_x)
   loss = F.cross_entropy(output_y.view(-1,output_y.size(2)),per_y.view(-1))
   optimizor.zero_grad()
   loss.backward()
   optimizor.step()
   arg_y=output_y.argmax(dim=2)
   fit_correct=(arg_y==per_y).sum()
   fit_acc=fit_correct.item()/(per_y.size(0)*per_y.size(1))
   print('##################################')
   print('第{}次迭代第{}批次的訓練誤差為{}'.format(i + 1,j + 1,loss),end=' ')
   print('第{}次迭代第{}批次的訓練準確度為{}'.format(i + 1,fit_acc))
   val_output_y = model(val_x)
   val_loss = F.cross_entropy(val_output_y.view(-1,val_output_y.size(2)),val_y.view(-1))
   arg_val_y=val_output_y.argmax(dim=2)
   val_correct=(arg_val_y==val_y).sum()
   val_acc=val_correct.item()/(val_y.size(0)*val_y.size(1))
   print('第{}次迭代第{}批次的預測誤差為{}'.format(i + 1,val_loss),end=' ')
   print('第{}次迭代第{}批次的預測準確度為{}'.format(i + 1,val_acc))
 torch.save(model,'./extract_model.pkl')#儲存模型

主函式部分

if __name__ =='__main__':
 #生成詞向量矩陣
 word2vec = gensim.models.Word2Vec.load('./word2vec_model')
 embedding_matrix,num2idx=establish_word2vec_matrix(word2vec)#輸入的是詞向量模型
 #
 train_data=pd.read_csv('./資料.csv')
 x=list(train_data['文字'])
 # 將文字從文字轉化為數值，這部分trans_num函式你需要自己改動去適應你自己的資料集
 x=trans_num(word2idx,x)
 #x需要先進行填充，也就是每個句子都是一樣長度，不夠長度的以0來填充，填充詞單獨分為一類
 # #也就是說輸入的x是固定長度的數值列表,例如[50,123,1850,21,199,0，0，...]
 #輸入的y是[2,1,3,.....]
 #填充程式碼你自行編寫，以下部分是針對我的資料集
 x=keras.preprocessing.sequence.pad_sequences(
   x,maxlen=60,value=0,padding='post',)
 y=list(train_data['BIO數值'])
 y_text=[]
 for i in y:
  s=i.rstrip().split(' ')
  numtext=[int(j) for j in s]
  y_text.append(numtext)
 y=y_text
 y=keras.preprocessing.sequence.pad_sequences(
   y,value=3,)
 # 將資料進行劃分
 fit_x,fit_y,val_y=train_test_split(x,train_size=0.8,test_size=0.2)
 fit_x=torch.LongTensor(fit_x)
 fit_y=torch.LongTensor(fit_y)
 val_x=torch.LongTensor(val_x)
 val_y=torch.LongTensor(val_y)
 #開始應用
 w_extract=word_extract(d_model=200,embedding_matrix=embedding_matrix)
 train(model=w_extract,epoch=5,learning_rate=0.001,batch_size=50,x=fit_x,y=fit_y,val_x=val_x,val_y=val_y)#可以自行改動引數,設定學習率，批次，和迭代次數
 w_extract=torch.load('./extract_model.pkl')#載入儲存好的模型
 pred_val_y=w_extract(val_x).argmax(dim=2)

以上這篇在pytorch中動態調整優化器的學習率方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。