首先，什么是學(xué)習(xí)率？

學(xué)習(xí)率（Learning Rate，LR。常用η表示。）是一個(gè)超參數(shù)，考慮到損失梯度，它控制著我們?cè)诙啻蟪潭壬险{(diào)整網(wǎng)絡(luò)的權(quán)重。值越低，沿著向下的斜率就越慢。雖然這可能是一個(gè)好主意（使用低學(xué)習(xí)率），以確保我們不會(huì)錯(cuò)過(guò)任何局部最小值；但也有可能意味著我們將耗費(fèi)很久的時(shí)間來(lái)收斂——特別是當(dāng)我們陷入平坦區(qū)（plateau region）的時(shí)候。

AI前線：如果使用很高的學(xué)習(xí)率，訓(xùn)練可能根本不會(huì)收斂，甚至?xí)l(fā)散。權(quán)重的該變量可能會(huì)非常大，使得優(yōu)化越過(guò)最小值，導(dǎo)致?lián)p失函數(shù)變得更糟。

下面的公式顯示了這種關(guān)系：

new_weight = existing_weight — learning_rate * gradient

學(xué)習(xí)率很小（上圖）與學(xué)習(xí)率很大（下圖）的梯度下降。（來(lái)源：Coursera機(jī)器學(xué)習(xí)課程，Andrew Ng）

通常，學(xué)習(xí)率是由用戶隨機(jī)配置的。在最好的情況下，用戶可以利用過(guò)去的經(jīng)驗(yàn)（或者其他類型的學(xué)習(xí)材料）來(lái)獲得關(guān)于設(shè)置學(xué)習(xí)率最佳值的直覺。

因此，很難做到這一點(diǎn)。下圖演示了配置學(xué)習(xí)率時(shí)可能會(huì)遇到的不同場(chǎng)景。

不同學(xué)習(xí)率對(duì)收斂的影響：（圖片來(lái)源：csn231n）

此外，學(xué)習(xí)率會(huì)影響模型收斂到局部最小值的速度（也就是達(dá)到最佳的精度）。因此，在正確的方向做出正確的選擇，意味著我們只需更少的時(shí)間來(lái)訓(xùn)練模型。

訓(xùn)練時(shí)間越少，則花在GPU云計(jì)算上的錢就越少。：）

AI前線：目前深度學(xué)習(xí)使用的都是一階收斂算法：梯度下降法。不管有多少自適應(yīng)的優(yōu)化算法，本質(zhì)上都是對(duì)梯度下降法的各種變形。故初始學(xué)習(xí)率對(duì)深層網(wǎng)絡(luò)的收斂起著決定性的作用。

有沒有更好的方法來(lái)確定學(xué)習(xí)率？

在“訓(xùn)練神經(jīng)網(wǎng)絡(luò)的循環(huán)學(xué)習(xí)率（Cyclical Learning Rates （CLR）for Training Neural Networks）”[4]的第3.3節(jié)中。Leslie N. Smith認(rèn)為，通過(guò)在每次迭代中以非常低的學(xué)習(xí)率來(lái)增加（線性或指數(shù)）的方式訓(xùn)練模型，可以估計(jì)好的學(xué)習(xí)率。

AI前線：周期性學(xué)習(xí)率（Cyclical Learning Rates，CLR），即學(xué)習(xí)率退火與熱重啟，最初由Smith于2015年首次提出。這是一種新的學(xué)習(xí)率方法，和以前的不同，或者固定（fixed）或者單調(diào)遞減。要使用CLR，需指定這三個(gè)參數(shù)：max_lr、base_lr、stepsize。

學(xué)習(xí)率在每個(gè)小批量之后增加

如果我們?cè)诿看蔚杏涗泴W(xué)習(xí)率和訓(xùn)練損失，然后據(jù)此繪出曲線圖；我們將會(huì)看到，隨著學(xué)習(xí)率的提高，將會(huì)有一個(gè)損失停止下降并開始增加的點(diǎn)。在實(shí)踐中，理想情況下，學(xué)習(xí)率應(yīng)該是在左圖的最低點(diǎn)（如下圖所示）。在該例中為0.001到0.01之間。

以上看起來(lái)很有用。我該如何開始使用它？

目前，它被作為fast.ai深度學(xué)習(xí)庫(kù)的一個(gè)函數(shù)來(lái)支持。由Jeremy Howard開發(fā)，是用來(lái)抽象PyTorch深度學(xué)習(xí)框架的一種方式，就像Keras是對(duì)TensorFlow框架的抽象。

AI前線： fast.ai深度學(xué)習(xí)庫(kù)是fast.ai基于PyTorch的基礎(chǔ)上創(chuàng)建的自有軟件庫(kù)，并且他們認(rèn)為，這將有助于更加清晰地展示深度學(xué)習(xí)的概念，同時(shí)有助于實(shí)現(xiàn)最佳編碼。采用Apache 2.0許可證，可免費(fèi)使用。

只需輸入以下命令，就可以在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前找到最佳學(xué)習(xí)率。

# learn is an instance of Learner class or one of derived classes like ConvLearner
learn.lr_find()
learn.sched.plot_lr()

精益求精

在這個(gè)關(guān)鍵時(shí)刻，我們已經(jīng)討論了學(xué)習(xí)率的全部?jī)?nèi)容和它的重要性，以及我們?nèi)绾卧陂_始訓(xùn)練模型時(shí)系統(tǒng)地達(dá)到最佳的使用價(jià)值。

接下來(lái)，我們將討論如何使用學(xué)習(xí)率來(lái)提高模型的性能。

一般看法

通常情況下，當(dāng)一個(gè)人設(shè)定學(xué)習(xí)率并訓(xùn)練模型時(shí)，只有等待學(xué)習(xí)率隨著時(shí)間的推移而降低，并且模型最終會(huì)收斂。

然而，隨著梯度逐漸趨于穩(wěn)定時(shí)，訓(xùn)練損失也變得難以改善。在[3]中，Dauphin等人認(rèn)為，最大限度地減少損失的難度來(lái)自于鞍點(diǎn)，而非局部極小值。

AI前線：鞍點(diǎn)是梯度接近于0的點(diǎn)，在誤差曲面中既不是最大值也不是最小值的平滑曲面，則一般結(jié)果表現(xiàn)為性能比較差；如果該駐點(diǎn)是局部極小值，那么表現(xiàn)為性能較好，但不是全局最優(yōu)值。

誤差曲面中的鞍點(diǎn)。鞍點(diǎn)是函數(shù)的導(dǎo)數(shù)變?yōu)榱愕c(diǎn)不是所有軸上的局部極值的點(diǎn)。（圖片來(lái)源：safaribooksonline） 

那么我們?cè)撊绾螖[脫呢？

有幾個(gè)選項(xiàng)我們可以考慮。一般來(lái)說(shuō)，從[1]引用一句：

……而不是使用一個(gè)固定值的學(xué)習(xí)率，并隨著時(shí)間的推移而降低，如果訓(xùn)練不會(huì)改善我們的損失，我們將根據(jù)一些循環(huán)函數(shù)f來(lái)改變每次迭代的學(xué)習(xí)率。每個(gè)周期的迭代次數(shù)都是固定的。這種方法讓學(xué)習(xí)率在合理的邊界值之間循環(huán)變化。這有助于解決問題，因?yàn)槿绻覀儽焕г诎包c(diǎn)上，提高學(xué)習(xí)率可以更快速地穿越鞍點(diǎn)。

在[2]中，Leslie提出了一種“Triangular”的方法，在每次迭代之后，學(xué)習(xí)率都會(huì)重新開始。

Leslie N. Smith提出的“Triangular”和“Triangular2”循環(huán)學(xué)習(xí)率的方法。在左邊的圖上，min和max lr保持不變。在右邊，每個(gè)周期之后的差異減半。

另一種同樣受歡迎的方法是由Loshchilov和Hutter提出的熱重啟的隨機(jī)梯度下降法（Stochastic Gradient Descent with Warm Restarts，SGDR）[6]。這種方法主要利用余弦函數(shù)作為循環(huán)函數(shù)，并在每個(gè)周期的最大值重新開始學(xué)習(xí)率。“熱重啟”一詞源于這樣的一個(gè)事實(shí)：當(dāng)學(xué)習(xí)率重新開始的時(shí)候，并不是從頭開始，而是來(lái)自模型在上一步收斂的參數(shù)開始[7]。

AI前線：熱重啟后的初始高學(xué)習(xí)率用于基本上將參數(shù)從它們先前收斂的最小值彈射到不同的損失表面。根據(jù)經(jīng)驗(yàn)，熱重啟的隨機(jī)梯度下降法需要的時(shí)間比學(xué)習(xí)率退火要少2~4倍，且能達(dá)到相當(dāng)或更好的性能。

雖然有這種變化，下面的圖表展示了它的一個(gè)實(shí)現(xiàn)，其中每個(gè)周期都被設(shè)置為同一時(shí)間周期。

SGDR圖，學(xué)習(xí)率與迭代。

因此，我們現(xiàn)在有一種減少訓(xùn)練時(shí)間的方法，基本上就是周期性地在“山脈”周圍跳躍（下圖）。

比較固定學(xué)習(xí)率和循環(huán)學(xué)習(xí)率（圖片來(lái)源：ruder.io）

除了節(jié)省時(shí)間外，研究還表明，使用這些方法往往可以提高分類準(zhǔn)確性，而無(wú)需進(jìn)行調(diào)優(yōu)，而且可以在更少的迭代次數(shù)內(nèi)完成。

遷移學(xué)習(xí)（Transfer Learning）中的學(xué)習(xí)率

在fast.ai課程中，在解決AI問題時(shí)，非常重視利用預(yù)先訓(xùn)練的模型。例如，在解決圖像分類問題時(shí)，教授學(xué)生如何使用預(yù)先訓(xùn)練好的模型，如VGG或Resnet50，并將其連接到想要預(yù)測(cè)的任何圖像數(shù)據(jù)集。

總結(jié)如何在fast.ai中完成模型構(gòu)建（注意該程序不要與fast.ai深度學(xué)習(xí)庫(kù)混淆），下面是我們通常采取的幾個(gè)步驟[8]：

1. 啟用數(shù)據(jù)增強(qiáng)，precompute=True。
2. 使用 lr_find()查找最高的學(xué)習(xí)率，在此情況下，損失仍在明顯改善。
3. 訓(xùn)練最后一層從預(yù)計(jì)算激活1~2個(gè)輪數(shù)。
4. 在cycle_len=1的情況下訓(xùn)練最后一層數(shù)據(jù)增加（即precompute=False）2~3個(gè)輪數(shù)。
5. 解除所有層的凍結(jié)。
6. 將較早的層設(shè)置為比下一個(gè)較高層低3~10倍的學(xué)習(xí)率。
7. 再次使用lr_find()。
8. 使用cycle_mult=2訓(xùn)練完整網(wǎng)絡(luò)，直到過(guò)度擬合。

從上面的步驟中，我們注意到第2步、第5步和第7步關(guān)注了學(xué)習(xí)率。在這篇文章的前半部分，我們已經(jīng)基本討論了涵蓋了上述步驟中的第2項(xiàng)——我們?cè)谶@里討論了如何在訓(xùn)練模型之前得出最佳學(xué)習(xí)率。

AI前線：輪數(shù)，epoch，即對(duì)所有訓(xùn)練數(shù)據(jù)的一輪遍歷。

在接下來(lái)的部分中，我們通過(guò)使用SGDR來(lái)了解如何通過(guò)重新開始學(xué)習(xí)速率來(lái)減少訓(xùn)練時(shí)間和提高準(zhǔn)確性，以避免梯度接近于0的區(qū)域。

在最后一節(jié)中，我們將重點(diǎn)討論差分學(xué)習(xí)，以及它是如何被用來(lái)在訓(xùn)練模型與預(yù)先訓(xùn)練的模型相結(jié)合時(shí)確定學(xué)習(xí)率的。

什么是差分學(xué)習(xí)？

這是一種在訓(xùn)練期間為網(wǎng)絡(luò)中的不同層設(shè)置不同的學(xué)習(xí)率的方法。這與人們通常如何配置學(xué)習(xí)率相反，即在訓(xùn)練期間在整個(gè)網(wǎng)絡(luò)中使用相同的速率。

這是我為什么喜歡Twitter的原因之一——可以直接從作者本人得到答案。

在寫這篇文章的時(shí)候，Jeremy和Sebastian Ruder發(fā)表了一篇論文，深入探討了這個(gè)話題。所以我估計(jì)差分學(xué)習(xí)率現(xiàn)在有一個(gè)新的名字：判別式微調(diào)（discriminative fine-tuning）。 :)

AI前線：判別式微調(diào)對(duì)較底層進(jìn)行微調(diào)以調(diào)到一個(gè)相較于較高層較低的程度，從而保留通過(guò)語(yǔ)言建模所獲得的的知識(shí)。它可以避免微調(diào)過(guò)程中產(chǎn)生嚴(yán)重的遺忘。

為了更清楚地說(shuō)明這個(gè)概念，我們可以參考下圖，其中一個(gè)預(yù)訓(xùn)練模型被分成3個(gè)組，每個(gè)組都配置了一個(gè)遞增的學(xué)習(xí)率值。

差分學(xué)習(xí)率的CNN樣本。圖片來(lái)自[3]

這種配置方法背后的直覺是，最初的幾層通常包含數(shù)據(jù)的非常細(xì)粒度的細(xì)節(jié)，如線條和邊緣——我們通常不希望改變太多，并且保留它的信息。因此，沒有太多的需要去大量改變它們的權(quán)重。

相比之下，在后面的層中，比如上面綠色的層——我們可以獲得眼球或嘴巴或鼻子等數(shù)據(jù)的詳細(xì)特征；我們可能不一定要保留它們。

與其他微調(diào)方法相比，它表現(xiàn)如何？

在[9]中，有