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 余弦退火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
)'''
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)- 上乙個 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。
'''
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
)'''
milestones(list)- 乙個 list，每乙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。
按指數衰減調整學習率，調整公式: lr=lr∗gamma∗∗epoch lr = lr * gamma**epoch
torch.optim.lr_scheduler.exponentiallr(optimizer, gamma, last_epoch=-1
)'''
gamma- 學習率調整倍數的底，指數為 epoch，即 gamma**epoch
'''
以余弦函式為週期，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_max 為週期，在乙個週期內先下降，後上公升。
torch.optim.lr_scheduler.cosineannealinglr(optimizer, t_max, eta_min=
0, last_epoch=-1
)'''
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，即在乙個週期中，學習率最小會下降到 eta_min，預設值為 0。
'''
當某指標不再變化（下降或公升高），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 不再上公升時，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)'''
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 表示當指標不再公升高(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 : reducing learning rate of group {} to .』.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 == abs，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。
'''
為不同引數組設定不同學習率調整策略。調整規則為，
lr=base_lr∗lmbda(self.last_epoch)torch.optim.lr_scheduler.lambdalr(optimizer, lr_lambda, last_epoch=-1
)'''
lr_lambda(function or list)- 乙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。
'''
Pytorch訓練網路時調整學習率
為了得到更好的網路，學習率通常是要調整的，即剛開始用較大的學習率來加快網路的訓練，之後為了提高精確度，需要將學習率調低一點。如圖所示，步長 學習率 太大容易跨過最優解。如下 表示每20個epoch學習率調整為之前的10 optimizer optim.sgd gan.parameters lr 0....
Pytorch 如何訓練網路時調整學習率
為了得到更好的網路，學習率通常是要調整的，即剛開始用較大的學習率來加快網路的訓練，之後為了提高精確度，需要將學習率調低一點。如圖所示，步長 學習率 太大容易跨過最優解。表示每20個epoch學習率調整為之前的10 optimizer optim.sgd gan.parameters lr 0.1,m...
pytorch筆記 調整網路學習率
1 class lenet t.nn.module 2def init self 3 super lenet,self init 4 self.features t.nn.sequential 5 t.nn.conv2d 3,6,5 6t.nn.relu 7 t.nn.maxpool2d 2,2 8...