PyTorch 学习率调度器（LR Scheduler）

PyTorch 学习率调度器（LR Scheduler）

---

1. 一句话定义

每过一段时间 / 满足某条件，自动按规则修改优化器学习率的工具。

---

2. 通用使用套路

optimizer = torch.optim.Adam(model.parameters(), lr=初始LR)
scheduler = XXXLR(optimizer, ...)   # 选下面任意一种
for epoch in range(EPOCH):train(...)val_loss = validate(...)optimizer.step()                # ① 先更新参数scheduler.step(val_loss)        # ② 再调度LR（ReduceLROnPlateau需传loss）

顺序：先 optimizer.step() → 再 scheduler.step()，否则报警告。

---

3. 内置调度器对比速览

调度器	触发规则	主要参数	参数解释	典型场景
LambdaLR	自定义函数 f(epoch) 返回乘数	lr_lambda, last_epoch	lr_lambda: 接收 epoch，返回 LR 乘数；last_epoch: 重启训练时设为上次 epoch	warmup、分段线性
StepLR	固定每 step_size epoch 降一次	step_size, gamma, last_epoch	step_size: 隔多少 epoch 降；gamma: 乘性衰减系数	常规“等间隔”下降
MultiStepLR	指定里程碑 epoch 列表降	milestones, gamma, last_epoch	milestones: List，到这些 epoch 就 ×gamma	训练中期多段下降
CosineAnnealingLR	余弦曲线从初始→η_min	T_max, eta_min, last_epoch	T_max: 半个余弦周期长度；eta_min: 最小 LR	退火、cosine 重启
ReduceLROnPlateau	监控指标停止改善时降	mode, factor, patience, threshold, cooldown, min_lr	见下方详注	验证 loss/acc 卡住时

ReduceLROnPlateau 参数详注

• mode='min' 或 'max'：指标越小/越大越好
• factor=0.1：新 LR = 旧 LR × factor
• patience=3：连续 3 次 epoch 无改善才降
• threshold=0.01：改善幅度小于阈值视为无改善
• cooldown=1：降 LR 后冻结监控的 epoch 数
• min_lr=1e-6：下限，降到此值不再降

---

4. 各调度器最小模板

① LambdaLR（线性 warmup）

scheduler = LambdaLR(optimizer, lr_lambda=lambda epoch: epoch / 5 if epoch < 5 else 1)

② StepLR

scheduler = StepLR(optimizer, step_size=2, gamma=0.1)   # 每 2 epoch ×0.1

③ MultiStepLR

scheduler = MultiStepLR(optimizer, milestones=[2, 6], gamma=0.1)

④ CosineAnnealingLR

scheduler = CosineAnnealingLR(optimizer, T_max=10, eta_min=1e-6)

⑤ ReduceLROnPlateau（必须传指标）

scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=3,threshold=0.01, cooldown=1, min_lr=1e-6)
val_loss = validate(...)
scheduler.step(val_loss)          # ← 记得传指标

---

5. 常用调试 API

scheduler.get_last_lr()   # 当前实际 LR 列表（每个 param_group）
scheduler.last_epoch      # 已完成的 epoch 计数（从 0 开始）

---

6. 易踩坑 Top-3

1. 先 optimizer.step() 再 scheduler.step()
   否则报警告 “Detected call of lr_scheduler.step() before optimizer.step()”。
2. ReduceLROnPlateau 必须传监控值
   不传 → RuntimeError。
3. Lambda/MultiStep 等无需监控值，传了 → TypeError。

---

7. 速记口诀

“优化先迈步，调度再跟进；Plateau 传 loss，其余不用问。”