如何更好地调整学习率？

【GiantPandaCV导读】learning rate对模型调优重要性不言而喻，想到超参数调优第一个可能想到的方法就是网格搜索Grid Search，但是这种方法需要大量的计算资源。之前使用fastai的时候发现其集成了一个功能叫lr_finder(), 可以快速找到合适的学习率，本文就主要分析这个15年就提出来的技术Cyclical Learning Rates。

链接：https://arxiv.org/abs/1506.01186

1. 前言

一般学习率可以人工设置，根据经验进行设置。通常会尝试初始学习率为0.1 0.01 0.001 0.0001等来观察初始阶段loss收敛情况。

lr过大会导致loss爆炸
lr过小会导致loss下降过于缓慢
warmup可以防止模型过于震荡，在小学习率的warmup下可以让模型趋于稳定，这样可以使模型收敛速度变快、模型效果更佳。
finetune时候需要用到的learning rate往往比较小，因为backbone部分的权重已经固定，所以微调部分权重不需要太大的学习率。

除了人工设置learning rate还可以用以下方法：

grid search: 网格搜索最合适的learning rate，这种方法代价比较大，比如旧版的yolov3中就使用了这种grid search的策略，如果计算资源不够的情况下往往很难找到最好的参数。
random search：采用随机的方法进行搜索，在一定区间内产生随机点，找到最优解的近似解。
heuristically search：启发搜索可以通过利用启发信息来引导搜索，减少搜索范围，降低问题复杂度，从而可以减少对计算资源的需求，提高了搜索效率。启发式搜索有模拟退火算法、遗传算法、进化规划、蚁群算法、贝叶斯优化。

Optunity: https://github.com/claesenm/optunity

Advisor: https://github.com/tobegit3hub/advisor

NNI: https://github.com/microsoft/nni

2. CLR 选择一个合适的初始学习率

使用CLR可以在CIFAR10数据集上达到一下效果：

可以看出CLR可以让模型收敛速度加快，在更少的迭代下收敛到更高的精度，并且集成到了fastai中，可见这种方法得到了认可。

learning rate在很多scheduler中并不是一直不变的，而是不断上升和下降，虽然这种调整方法短期内来看对模型性能有不利影响，但是长期来看对最终性能是有帮助的。

一般来说，学习率会被设置在一个最大值、最小值的范围内，并且学习率在这些边界之间进行循环变化，变化方式有以下几种：

triangular window，即线性的变换learning rate
Welch window，即抛物线状变换learning rate
Hann window，即正弦变换learning rate

实验发现这几种方法并没有差异非常明显，所以本文以最简单的triangular window作为基准，如下图所示：

通常认为loss优化最困难的地方在于鞍点，而不是局部最小值，鞍点梯度过小所以会让学习的过程变慢。这个时候增大学习率可以让模型越过鞍点。以上理论就是CLR的一个直观的理解，为此需要不断动态调整learning rate的大小。

代码实现：

cycle = np.floor(1+iterations/(2*step_size))
x = np.abs(iterations/step_size - 2*cycle + 1)
lr= base_lr + (max_lr-base_lr)*np.maximum(0, (1-x))*scale_fn(x)