如何在 MxNet 中使用自适应学习率

Question

学习率是我网络效果的关键。当我定义 lr = 0.05 时，train/validation-accuracy 振荡严重，但是 lr = 0.025 我直到 Epoch[30] 才能得到任何效果。所以我记得caffe中自适应学习率，一开始我选择了一个基数lr = 0.1，随着训练的进行，lr衰减到0.05，然后是0.025甚至更小。 MxNet有没有这个策略，我该如何使用？

Answer 1

您有两种选择：

一个是在每个batch/epoch:

的末尾使用回调函数

sgd_opt = opt.SGD(learning_rate=0.005, momentum=0.9, wd=0.0001, rescale_grad=(1.0/batch_size))
model = mx.model.FeedForward(ctx=gpus, symbol=softmax, num_epoch=num_epoch,
              optimizer=sgd_opt, initializer=mx.init.Uniform(0.07))
def lr_callback(param):
    if param.nbatch % 10 == 0:
      sgd_opt.lr /= 10 # decrease learning rate by a factor of 10 every 10 batches
    print 'nbatch:%d, learning rate:%f' % (param.nbatch, sgd_opt.lr)

model.fit(X=train_dataiter, eval_data=test_dataiter, batch_end_callback=lr_callback)

另一种是使用 optimizers 之一，例如 AdaGrad 或 ADAM

model = mx.model.FeedForward(
        ctx                = [mx.gpu(0)],
        num_epoch     = 60,
        symbol            = network,
        optimizer        =  'adam',
        initializer        = mx.init.Xavier(factor_type="in", magnitude=2.34))

model.fit(X= data_train)

如何在 MxNet 中使用自适应学习率

How to use adapted learning rate in MxNet

mxnet