【AI】Pytorch_LearningRate

liudongdong19發表於2021-08-26
AIPyTorch

From: https://liudongdong1.github.io/

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。

#得到當前學習率
lr = next(iter(optimizer.param_groups))['lr'] 
#multiple learning rates for different layers.
all_lr = []
for param_group in optimizer.param_groups:
    all_lr.append(param_group['lr'])
    
 #學習率衰減
#Reduce learning rate when validation accuarcy plateau.
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', patience=5, verbose=True)
for t in range(0, 80):
    train(...); val(...)
    scheduler.step(val_acc)
#Cosine annealing learning rate.    
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=80)
#Reduce learning rate by 10 at given epochs.
scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 70], gamma=0.1)
for t in range(0, 80):
    scheduler.step()    
    train(...); val(...)
#Learning rate warmup by 10 epochs.
scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda t: t / 10)
for t in range(0, 10):
    scheduler.step()
    train(...); val(...)

1. 針對不同的層

model = torchvision.models.resnet101(pretrained=True)
large_lr_layers = list(map(id,model.fc.parameters()))
small_lr_layers = filter(lambda p:id(p) not in large_lr_layers,model.parameters())
optimizer = torch.optim.SGD([
            {"params":large_lr_layers},
            {"params":small_lr_layers,"lr":1e-4}
            ],lr = 1e-2,momenum=0.9)

2. 等間隔調整學習率 StepLR

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。

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。

3. 按需調整學習率 MultiStepLR

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

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。

4. 指數衰減調整學習率 ExponentialLR

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

5. 餘弦退火調整學習率 CosineAnnealingLR

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，即在一個週期中，學習率最小會下降到 eta_min，預設值為 0。

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。

epochs = 60
optimizer = optim.SGD(model.parameters(),lr = config.lr,momentum=0.9,weight_decay=1e-4) 
scheduler = lr_scheduler.CosineAnnealingLR(optimizer,T_max = (epochs // 9) + 1)
for epoch in range(epochs):
    scheduler.step(epoch)

6. 自適應調整學習率 ReduceLROnPlateau

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。
optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)scheduler = ReduceLROnPlateau(optimizer, 'max',verbose=1,patience=3)for epoch in range(10):    train(...)    val_acc = validate(...)    # 降低學習率需要在給出 val_acc 之後    scheduler.step(val_acc)

7. 自定義調整學習率 LambdaLR

image-20210531084712294

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

8. 手動設定

def adjust_learning_rate(optimizer, lr):    for param_group in optimizer.param_groups:        param_group['lr'] = lrfor epoch in range(60):            lr = 30e-5    if epoch > 25:        lr = 15e-5    if epoch > 30:        lr = 7.5e-5    if epoch > 35:        lr = 3e-5    if epoch > 40:        lr = 1e-5    adjust_learning_rate(optimizer, lr)

相關文章