pytorch 学习率衰减

PyTorch学习率衰减是一种优化算法中的策略，用于调整神经网络训练过程中模型参数更新的步长，以便更好地探索损失函数的最小值。学习率衰减的目的是防止模型在训练后期过快收敛或陷入局部最优，从而提高模型的泛化能力。在PyTorch中，常见的学习率衰减方法有以下几种：

1. **固定学习率**：在整个训练过程中保持恒定的学习率，适用于简单模型和小数据集。

2. **指数衰减（Exponential Decay）**：学习率按照指数规律逐渐降低，公式为 `learning_rate * decay_rate ^ (global_step / decay_steps)`。

3. **余弦退火（Cosine Annealing）**：学习率按照余弦曲线周期性地进行调整，通常在每个周期结束后会降低到最小值。

4. **步长衰减（Step Decay）**：每经过一定数量的迭代（步长），将学习率乘以衰减因子。

5. **多阶段衰减**：分段设置多个学习率阶段，不同阶段有不同的衰减率。

6. **学习率调度器（Learning Rate Scheduler）**：在PyTorch中，可以使用`torch.optim.lr_scheduler`模块创建自定义的学习率衰减策略，如`LambdaLR`, `MultiStepLR`, `ReduceLROnPlateau`, 等。

要使用这些策略，你需要在优化器上调用相应的学习率调度器，并在训练循环中定期调用`scheduler.step()`。例如：

import torch.optim as optim
from torch.optim.lr_scheduler import CosineAnnealingLR

optimizer = optim.Adam(model.parameters(), lr=0.001)
scheduler = CosineAnnealingLR(optimizer, T_max=100, eta_min=0.0001)
for epoch in range(num_epochs):
    train(...)
    scheduler.step()