在pytorch訓(xùn)練過程中可以通過下面這一句代碼來打印當前學習率

print(net.optimizer.state_dict()['param_groups'][0]['lr'])

補充知識：Pytorch：代碼實現(xiàn)不同層設(shè)置不同的學習率，選擇性學習某些層參數(shù)

1，如何動態(tài)調(diào)整學習率

在使用pytorch進行模型訓(xùn)練時，經(jīng)常需要隨著訓(xùn)練的進行逐漸降低學習率，在pytorch中給出了非常方面的方法：

假設(shè)我們定義了一個優(yōu)化器：

import torch
import torch.nn as nn
optimizer = torch.optim(model.parameters(), lr = 0.01, momentum = 0.9)

該優(yōu)化器的初始化學習為0.01，

如果我們學習每個"n" 個epoch把學習率降低為原來的0.9倍，則需要聲明一個學習率調(diào)節(jié)器：

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

其中：

optimizer: 前面聲明的優(yōu)化器；

step_size: 每step_size個epoch學習率降低為原來的gamma倍，

last_epoch: 當前所處的epoch

例如：

# Assuming optimizer uses lr = 0.05 for all groups
 # lr = 0.05  if epoch < 30
 # lr = 0.005 if 30 <= epoch < 60
 # lr = 0.0005 if 60 <= epoch < 90
 # ...
 scheduler = StepLR(optimizer, step_size=30, gamma=0.1)
 for epoch in range(100):
  scheduler.step()
  train(...)
  validate(...)

另外其他常用的更新策略類似：

torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)

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

torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, verbose=False, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

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

2，如何選擇性學習某些參數(shù)

對于我們現(xiàn)有的模型model，通過調(diào)整參數(shù)的requires_grad 屬性控制該模型是否參與求導(dǎo)運算

for name, param in model.named_parameters():
 if param.requires_grad:
  print("requires_grad: True ", name)
 else:
  print("requires_grad: False ", name)

如果模型中包含多個子模塊，可用通過

sub_block = model.children()

獲取該模塊，然后通過迭代索引的方式獲取參數(shù)：

for name, param in sub_block.named_parameters（）

以上這篇pytorch實現(xiàn)查看當前學習率就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。