How to adjust learning rate

官方解释：torch.optim — PyTorch 1.9.1 documentation

1.自我解释：torch.optim.lr_scheduler

        官方给出了很多关于调整学习率的方法，但是调整学习率的时候一般会根据你所训练的次数，做出相应的调整，这是代码自动完成的。

        学习率的调整应该在优化器更新之前，例如：官方给出的例子

model = [Parameter(torch.randn(2, 2, requires_grad=True))]
optimizer = SGD(model, 0.1)  #此为优化器初始化，采用SGD优化器，没有使用动量，收敛慢，容易陷入局部极值。
scheduler = ExponentialLR(optimizer, gamma=0.9)  #此为学习率调整初始化

for epoch in range(20):
    for input, target in dataset:
        optimizer.zero_grad()  #优化器初始化
        output = model(input) #模型输入
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step() #优化器更新
    scheduler.step()  #学习率调整更新

        学习率一般是在初始训练数据时，学习率会大一点，然后随着训练次数的增加，学习率会慢下降，毕竟寻找极小值时候，不能步长太大。

2.官方给出了很多调整学习率的函数，例如：

#1》lr_scheduler.LambdaLR方法


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

        此调整方法是在最开始进行数据训练时，学习率会乘以一个函数（在下理解为一个系数，只是分批次进行，例如每训练10次，lr=0.02，其他情况下，lr=0.01，最后几次，lr=lr_init），然后随着训练次数的增加，到达最后几次的时候，学习率调整为初始化时候的设定的参数值。

2》lr_scheduler.MultiplicativeLR的方法

torch.optim.lr_scheduler.MultiplicativeLR(optimizer, lr_lambda, last_epoch=-1, verbose=False)

        此方法与第一种方法差不多，只是此方法都是乘以一个固定的系数因子，例如lambda=0.95，在最后训练结束之前的几次又回归到初始设置的学习率，lr=lr_init。

3》lr_scheduler.StepLR方法

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

上述最好的解释为：

假设初始化lr_init=0.05，epoch=130

当0

当20

当40

当80

当120

4》lr_scheduler.MultiStepLR方法

torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1, verbose=False)

次法在上述基础上增加一个gamm=0.1的衰减系数，当epoch进入一个milestone时，lr=lr*0.1**epoch（在此处等号右边的lr是对应下面的  lr  ，在不同区间，学习率  lr  不同）

当0

当20

当40

当80

（补充）在网络的不同卷积层次可以设置不同的学习率，例如：

import torch.optim as optim
 
optimizer = optim.Adam([{'params':model.conv1.parameters(),'lr':0.05},
                        {'params':model.conv2.parameters(),'lr':0.02}
                        ])

        使用Adam优化器对网络训练时，卷积conv1采用的学习率  lr=0.05，在卷积con2中采用的学习率  lr=0.02 。

后续。。。（小琼）