7.3 学习率调整策略

一、为什么要调整学习率

二、pytorch的六种学习率调整策略

前两节课学习了优化器的概念，优化器中有很多超参数，在这些参数中最重要的参数就是学习率。

我们知道学习率直接控制了参数更新的大小。在整个训练过程中，学习率也不是一成不变的，还是可以调整的。今天就来学习学习率的调整策略。

一、为什么要调整学习率

学习率直接控制参数更新的步伐。

通常在训练中，一开始学习率可以给的比较大，让参数更新的步伐大一些。后期，让学习率小一些，让参数更新的步伐小一些。

为什么前期大，后期小呢？可以通过打高尔夫的例子来分析。

刚开始打的远一点，到了洞口附近再慢慢打。

在pytorch中提供了很好的学习率调整策略。这六种策略都是继承于_LRScheduler这个基类。所以，我们先来学这个类的基本属性和基本方法。

（1）主要属性

optimizer:关联的优化器。在讲优化器的时候，我们知道，在优化器中才存放学习率。而_LRScheduler会去修改优化器中的学习率，所以要关联优化器，才能改动其中的学习率。

last_epoch:记录epoch数。从这里可以知道，学习率调整是以epoch为周期的。千万不要在iteration中。

base_lrs:记录初始学习率。

看右边的__init__函数，发现只接受两个参数。

（2）主要方法

step(): 更新下一个epoch的学习率。

get_lr(): 计算下一个epoch的学习率。是一个虚函数，是供子类去重写的。

关系：step()中会调用get_lr()。