当前位置：首页 > news >正文

深度学习--卷积神经网络调整学习率

news 来源：原创 2025/7/15 8:46:27

文章目录

前言
一、学习率
- 1、什么学习率
- 2、什么是调整学习率
- 3、目的
二、调整方法
- 1、有序调整
- - 1）有序调整StepLR(等间隔调整学习率)
  - 2）有序调整MultiStepLR(多间隔调整学习率)
  - 3）有序调整ExponentialLR (指数衰减调整学习率)
  - 4）有序调整CosineAnnealing (余弦退火函数调整学习率)
- 2、自适应调整
- - 1）自适应调整ReduceLROnPlateau (根据指标调整学习率)
- 3、自定义调整
- - 1）自定义调整LambdaLR (自定义调整学习率)
三、代码参考
总结

前言

在深度学习中，学习率（Learning Rate）是优化算法中最重要的超参数之一。对于卷积神经网络（CNN）而言，合理的学习率调整策略直接影响模型的收敛速度、训练稳定性和最终性能。本文将系统性地介绍CNN训练中常用的学习率调整方法，并结合PyTorch代码示例和实践经验，帮助读者掌握这一关键技巧。

一、学习率

1、什么学习率

学习率是优化算法中一个重要的超参数，用于控制模型参数在每次更新时的调整幅度。学习率决定了模型在参数空间中搜索的步长大小。调整学习率是指在训练过程中根据需要改变学习率的值。

2、什么是调整学习率

常用的学习率有0.1、0.01以及0.001等，学习率越大则权重更新越快。一般来说，我们希望在训练初期学习率大一些，使得网络收敛迅速，在训练后期学习率小一些，使得网络更好的收敛到最优解。

使用库函数进行调整
手动调整学习率

3、目的

调整学习率的目的是为了能够更好地优化模型，避免训练过程中出现的一些问题，如梯度爆炸或梯度消失、陷入局部极小值等。

二、调整方法

Pytorch学习率调整策略通过 torch.optim.lr_sheduler 接口实现，本篇介绍3种库函数调整方法：
（1）有序调整：等间隔调整(Step)，多间隔调整(MultiStep)，指数衰减(Exponential)，余弦退火(CosineAnnealing);
（2）自适应调整：依训练状况伺机而变，通过监测某个指标的变化情况(loss、accuracy)，当该指标不怎么变化时，就是调整学习率的时机(ReduceLROnPlateau);
（3）自定义调整：通过自定义关于epoch的lambda函数调整学习率(LambdaLR)。
在这里插入图片描述

1、有序调整

1）有序调整StepLR(等间隔调整学习率)

"""等间隔调整"""
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1)
# optimizer: 神经网络训练中使用的优化器，
# 如optimizer = torch.optim.Adam(model.parameters(),lr=0.001)
# step_size(int): 学习率下降间隔数，单位是epoch，而不是iteration.
# gamma(float):学习率调整倍数，默认为0.1
# 每训练step_size个epoch，学习率调整为lr=lr*gamma.

2）有序调整MultiStepLR(多间隔调整学习率)

"""多间隔调整"""
torch.optim.lr_shceduler.MultiStepLR(optimizer, milestones, gamma=0.1)
milestone(list): 一个列表参数，表示多个学习率需要调整的epoch值，
如milestones=[10, 30, 80]，即10轮时将gamma乘以学习率lr，30轮时、80轮时

3）有序调整ExponentialLR (指数衰减调整学习率)

'''指数衰减调整'''
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma)
参数：
gamma(float)：学习率调整倍数的底数，指数为epoch，初始值我lr, 倍数为γepoch，每一轮都调整.

4）有序调整CosineAnnealing (余弦退火函数调整学习率)

'''余弦退火函数调整'''
torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0)
参数：
Tmax(int):学习率下降到最小值时的epoch数，即当epoch=T_max时，学习率下降到余弦函数最小值，当epoch>T_max时，学习率将增大；
etamin: 学习率调整的最小值，即epoch=Tmax时，lrmin=etamin, 默认为0.

2、自适应调整

当某指标(loss或accuracy)在最近几个epoch中都没有变化(下降或升高超过给定阈值)时，调整学习率。

1）自适应调整ReduceLROnPlateau (根据指标调整学习率)

"""根据指标调整学习率"""
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)

optimizer: 被包装的优化器。
mode: 可以是 ‘min’ 或 ‘max’。如果是 ‘min’，当监测的指标停止下降时学习率会被降低；如果是
‘max’，当指标停止上升时学习率会被降低。
factor: 学习率降低的因子，新的学习率会是旧学习率乘以这个因子。
patience: 在指标停止改善之后等待多少个周期才降低学习率。
threshold: 用于衡量新的最优值的阈值，只关注显著的变化。
threshold_mode: 可以是 ‘rel’ 或 ‘abs’。在 ‘rel’ 模式下，动态阈值会根据最佳值和阈值的相对关系来设定；在 ‘abs’ 模式下，动态阈值会根据最佳值加上或减去阈值来设定。
cooldown: 在学习率被降低之后，等待多少个周期再继续正常操作。
min_lr: 所有参数组或每个组的学习率的下限。
eps: 应用于学习率的最小衰减。如果新旧学习率之间的差异小于 eps，则忽略这次更新。

3、自定义调整

可以为不同层设置不同的学习率。

1）自定义调整LambdaLR (自定义调整学习率)

torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)
参数：
lr_lambda(function or list): 自定义计算学习率调整倍数的函数，通常时epoch的函数，当有多个参数组时，设为list.

三、代码参考

loss_fn = nn.CrossEntropyLoss()    # 创建交叉熵损失函数对象
optimizer = torch.optim.Adam(model.parameters(),lr=0.001)   #创建一个优化器，一开始lr可以大一些
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=5,gamma=0.5)  # 调整学习率
"""optimizer是一个PyTorch优化器对象
step_size表示学习率调整的步长
gamma表示学习率的衰减因子，即每次调整后将当前学习率乘以gamma
""""""训练模型"""
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)epochs = 10
acc_s = [] 
loss_s = []for t in range(epochs):print(f"Epoch {t+1}\n---------------------------")train(train_dataloader,model,loss_fn,optimizer)test(test_dataloader, model, loss_fn)scheduler.step()
print(bast_acc)

总结

没有"放之四海皆准"的最优策略，通过实验找到适合具体任务的方法才是王道。