為了得到更好的網(wǎng)絡(luò)，學(xué)習(xí)率通常是要調(diào)整的，即剛開始用較大的學(xué)習(xí)率來(lái)加快網(wǎng)絡(luò)的訓(xùn)練，之后為了提高精確度，需要將學(xué)習(xí)率調(diào)低一點(diǎn)。

如圖所示，步長(zhǎng)（學(xué)習(xí)率）太大容易跨過(guò)最優(yōu)解。

代碼如下：

表示每20個(gè)epoch學(xué)習(xí)率調(diào)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(bǔ)充：Pytorch 在訓(xùn)練過(guò)程中實(shí)現(xiàn)學(xué)習(xí)率衰減

在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，學(xué)習(xí)率是一個(gè)非常重要的超參數(shù)，它直接影響了網(wǎng)絡(luò)的訓(xùn)練效果。

但過(guò)大的學(xué)習(xí)率將會(huì)導(dǎo)致網(wǎng)絡(luò)無(wú)法達(dá)到局部最小點(diǎn)，使得訓(xùn)練結(jié)果震蕩，準(zhǔn)確率無(wú)法提升，而過(guò)小的學(xué)習(xí)率將會(huì)導(dǎo)致擬合速度過(guò)慢，浪費(fèi)大量的時(shí)間和算力。

因此我們希望在訓(xùn)練之初能夠有較大的學(xué)習(xí)率加快擬合的速率，之后降低學(xué)習(xí)率，使得網(wǎng)絡(luò)能夠更好的達(dá)到局部最小，提高網(wǎng)絡(luò)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(xué)習(xí)率的函數(shù)。

將每個(gè)參數(shù)組的學(xué)習(xí)速率設(shè)置為初始的lr乘以一個(gè)給定的函數(shù)。

當(dāng)last_epoch=-1時(shí)，將初始lr設(shè)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(xué)習(xí)率衰減期，指幾個(gè)epoch衰減一次。gamma為學(xué)習(xí)率衰減的乘積因子。 默認(rèn)為0.1 。當(dāng)last_epoch=-1時(shí)，將初始lr設(shè)置為lr。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。