scheduler学习率设置

在炼丹的过程中，学习率的调整是必不可少的，下面给出scheduler模块的调学习率的方法，后面会慢慢补充

调整学习率：PyTorch官方文档

一、CyclicLR

torch.optim.lr_scheduler.CyclicLR(optimizer, base_lr, max_lr, step_size_up=2000, step_size_down=None)

• optimizer: wrapped optimizer
• base_lr: 学习率的最低值
• max_lr：学习率的最大值
• step_size_up: lr从最小值到最大值所需的步骤（即半个循环）
• step_size_down: lr从最大值到最小值所需的步骤（即半个循环）

二、CosineAnnealingLR

torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1, verbose=False)

• optimizer: wrapped optimizer
• T_max: 最大迭代次数（就是学习率降到最小值的迭代次数）
• eta_min：学习率的最小值，默认为0
• last_epoch:
• verbose：如果为True，每次更新lr的时候都会打印出来

学习率会随着epoch成周期性的变化，例如最大迭代次数为100，一共有300个epoch，那么前100个epoch学习率从0.0009降到0，然后100-200个周期从0又升到0.0009，200-300个epoch从0.0009降到0

更新公式：

import torch.optim as optim
from torch.optim import lr_scheduler
from torchvision.models import AlexNet
import matplotlib.pyplot as plt


def plot(lr_list):
    f = plt.figure()

    plt.plot(lr_list)
    plt.show()


epochs = 50
model = AlexNet()
optimizer = optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-5)
scheduler = lr_scheduler.CosineAnnealingLR(optimizer, epochs, eta_min=1e-4, last_epoch=-1)
# scheduler = lr_scheduler.CosineAnnealingLR(optimizer, epochs - 10, eta_min=1e-4, last_epoch=-1)

# this zero gradient update is needed to avoid a warning message, issue #8.
optimizer.zero_grad()

lr_list = list()
for epoch in range(epochs*3):
    optimizer.step()
    scheduler.step()

    print('{} - {}'.format(epoch, scheduler.get_last_lr()))
    lr_list.append(scheduler.get_last_lr()[0])

plot(lr_list)