為了得到更好的網(wǎng)絡，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(wǎng)絡的訓練，之后為了提高精確度，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(yōu)解。

代碼如下：

表示每20個epoch學習率調整為之前的10%

optimizer = optim.SGD(gan.parameters(), 
lr=0.1,
momentum=0.9,
weight_decay=0.0005)

lr = optimizer.param_groups[0]['lr'] * (0.1 ** (epoch // 20))
for param_group in optimizer.param_groups:
 param_group['lr'] = lr
print(optimizer.param_groups[0]['lr'])

補充：Pytorch 在訓練過程中實現(xiàn)學習率衰減

在網(wǎng)絡的訓練過程中，學習率是一個非常重要的超參數(shù)，它直接影響了網(wǎng)絡的訓練效果。

但過大的學習率將會導致網(wǎng)絡無法達到局部最小點，使得訓練結果震蕩，準確率無法提升，而過小的學習率將會導致擬合速度過慢，浪費大量的時間和算力。

因此我們希望在訓練之初能夠有較大的學習率加快擬合的速率，之后降低學習率，使得網(wǎng)絡能夠更好的達到局部最小，提高網(wǎng)絡的效率。

torch.optim.lr_scheduler.LambdaLR（）

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

其中optimizer就是包裝好的優(yōu)化器， lr_lambda即為操作學習率的函數(shù)。

將每個參數(shù)組的學習速率設置為初始的lr乘以一個給定的函數(shù)。

當last_epoch=-1時，將初始lr設置為lr。

torch.optim.lr_scheduler.StepLR（）

torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)

其中optimizer就是包裝好的優(yōu)化器，step_size (int) 為學習率衰減期，指幾個epoch衰減一次。gamma為學習率衰減的乘積因子。 默認為0.1 。當last_epoch=-1時，將初始lr設置為lr。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持本站。

國外穩(wěn)定服務器

版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯(lián)系alex-e#qq.com處理。