学习率优化策略

Warmup 策略

深度学习中, 模型的初始权重是在训练启动阶段随机生成的, 选择 Warmup 策略可以使模型在训练初期使用较小的学

习率进行训练, 经过设定的一定数量的迭代次数, 模型趋向稳定后, 再改为预先设定的学习率, 达到预热学习率的效果, 可以防止模型震荡, 加速网络收敛速度, 提升效果.

实验中使用 Warmup 策略中的 Gradual Warmup, 即在学习率预热阶段中学习率随着迭代次数增加也逐步提高, 直到预热阶段结束时学习率达到预设定值, 再进行后续训练, 这样能够避免学习率突然增大而导致训练误差激增的情况.

Poly 策略

学习率是一个对模型权重更新具备极大影响力的超参数. 初始学习率设置合理才能使模型最优化, 过小会导致收敛慢, 过大则会导致不稳定或收敛失败. 学习率需要随着网络训练程度变化, 其变更策略很重要, 在深度学习中存在多种策略, 如 Fixed 策略、Poly 策略和 sigmoid策略. 本文实验的 SGD 优化策略中添加了 Poly 学习率衰减策略, 当前学习率为