learning rate四种改变方式

本文详细介绍了四种常用的学习率调整策略:Fixed、Step、Polynomial 和 Inv,包括各自的参数设置和适用场景,对于理解及应用深度学习训练过程中的学习率调整具有指导意义。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Fixed

learning rate固定不变

base_lr = 0.01
lr_policy = "fixed"

Step

learning rate在每迭代stepsize次后减少gamma倍。lr=lr×gamma

base_lr = 0.01
lr_policy = "step"
gamma = 0.1
stepsize= 10000

Polynomial

learning rate呈多项式曲线下降。LR(t)=base_lr×(tT)power

base_lr = 0.01
lr_policy = "poly"
power = 0.5

Inv

learning rate随迭代次数增加而下降。LR(t)=base_lr×(1+gamma×iter)power

base_lr = 0.01
lr_policy = "Inv"
gamma = 0.0001
power = 0.75
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值