PyTorch 是否可以在训练过程中动态更改优化器的学习率(我不想事先定义学习率计划)?
所以假设我有一个优化器:
optim = torch.optim.SGD(model.parameters(), lr=0.01)
现在由于我在训练期间进行的一些测试,我意识到我的学习率太高了,所以我想把它改成 0.001
。似乎没有方法 optim.set_lr(0.001)
但有什么方法可以做到这一点?
所以学习率存储在optim.param_groups[i]['lr']
中。 optim.param_groups
是可以具有不同学习率的不同权重组的列表。因此,只需执行以下操作:
for g in optim.param_groups:
g['lr'] = 0.001
会成功的。
或者,
正如评论中提到的,如果您的学习率仅取决于纪元数,您可以使用 learning rate scheduler。
例如(来自文档的修改示例):
torch.optim.lr_scheduler import LambdaLR
optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
# Assuming optimizer has two groups.
lambda_group1 = lambda epoch: epoch // 30
lambda_group2 = lambda epoch: 0.95 ** epoch
scheduler = LambdaLR(optimizer, lr_lambda=[lambda1, lambda2])
for epoch in range(100):
train(...)
validate(...)
scheduler.step()
另外,还有一个prebuilt learning rate scheduler to reduce on plateaus.
除了 patapouf_ai's answer 中的循环,您可以通过以下方式直接执行此操作:
optim.param_groups[0]['lr'] = 0.001
不定期副业成功案例分享