《PyTorch面试精华》


1 前言
    1.1  PyTorch安装

    1.2  显卡驱动的困惑

    1.3  CUDA安装注意事项

    1.4  cuDNN的介绍

    1.5  Pytorch Lightning介绍

    1.6  PyTorch学习之道

    1.7  PyTorch快速入门

    1.8  PyTorch调参之道

    1.9  PyTorch调参套件

    1.10  手动创建虚拟环境

2 深度学习之数学基础
    2.1  希腊字母解读

    2.2  梯度的物理意义

    2.3  图解梯度下降法

    2.4  图解梯度上升法

    2.5  自然梯度

    2.6  泰勒公式的介绍

    2.7  信息与信息熵

    2.8  重要性采样

    2.10  欧几里得范数

    2.11  特征值和特征向量

    2.12  似然函数的理解

    2.13  矩阵秩的深刻理解

3 PyTorch入门疑难点
4 PyTorch全局设置
    4.1  全局设置当前设备

    4.2  全局设置浮点精度

5 PyTorch GPU分布式训练
    5.1  PyTorch GPU基础操作

    5.2  DataParallel用法详解

    5.3  GPU分布式训练模型

    5.4  CUDA_VISIBLE_DEVICES

    5.5  device详细说明

    5.6  to(device)和.cuda()

    5.7  CUDA设备索引

    5.8  GPU设备索引

6 向量的基础与核心
    6.1  Tensor的组成与存储

    6.2  Tensor的grad属性

    6.4  Tensor的叠加

    6.5  禁用梯度计算

    6.6  向量的保存和加载

    6.7  参数向量

    6.8  叶子节点

    6.9  detach原理

    6.10  requires_grad属性

    6.11  Tensor与Numpy互换

    6.12  张量cat操作

    6.13  零维张量

    6.15  squeeze/unsqu...函数

    6.16  argmax和max的区别

    6.17  torch.as_tensor的应用

7 神经网络基础
    7.2  PyTorch计算图

    7.3  查看网络权重参数

    7.4  保存模型

    7.5  Adam相关面试题

    7.6  Train模式和Eval模式

    7.7  线性网络

    7.8  双线性网络

    7.9  惰性线性层

    7.10  PyTorch中的自动微分

    7.12  Dropout机制

    7.13  半精度训练

    7.14  Xavier初始化

    7.15  注意力机制

    7.16  Dataset数据处理

    7.17  StepLR学习率调度器

    7.18  词嵌入的理解

    7.19  TensorDataset的使用

    7.20  模型的保存与加载

    7.21  ModuleList和Sequential

    7.22  Batch Normalization介绍

8 计算机视觉基础知识
    8.1  通道的深刻理解

    8.2  1x1卷积的作用

    8.3  特征提取和可视化

    8.4  反卷积的推导

    8.5  理解卷积

    8.7  空洞卷积

    8.8  池化层的作用

    8.9  感受野与特征图

    8.10  NMS算法

    8.11  特征图尺寸计算

9 循环神经网络基础
    9.2  RNN的介绍

10 注意力机制
    10.1  位置编码的作用

    10.2  位置编码的种类

    10.4  Embedding本质理解

    10.6  Transformer VS CNN/RNN

    10.7  ELMo介绍

11 PyTorch归一化
    11.2  层归一化技术详解

12 激活函数相关内容
    12.1  激活函数简介

    12.2  万能逼近定理

    12.3  指数函数的学习

    12.4  Sigmoid函数的介绍

    12.5  Tanh函数的介绍

    12.6  Softmax函数的实现

    12.7  ReLU函数的介绍

    12.8  Leaky Relu函数的介绍

    12.9  ReLu与非线性的理解

    12.10  Parametric ReLU函数

    12.11  ELU函数介绍

    12.12  神经元死亡的问题

13 思考题的答案
    13.1  思考题的答案解密

StepLR 学习率调度器

创建时间:2024-09-17 更新时间:2024-09-17 阅读次数:1687 次

在深度学习的训练过程中,经常需要调整模型的学习率以及其他超参数。PyTorch 提供了调度器(scheduler)来自动调整学习率,这对于优化模型的训练过程非常重要。PyTorch 提供了多种学习率调度器,常用的有 StepLR、MultiStepLR、ExponentialLR、CosineAnnealingLR 等。

StepLR 调度器

StepLR 调度器将学习率按照指定的步骤进行调整。具体来说,每过一定的步骤,学习率会乘以一个特定的因子。下面是一个使用 StepLR 的示例代码。在这个示例中,我们定义了一个线性模型和一个 SGD 优化器,初始学习率为 0.1。然后我们创建了一个 StepLR 调度器,并将其与优化器关联起来。这个调度器将会在每 10 个步骤后将学习率乘以 0.1。

import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler

model = nn.Linear(10, 1)
optimizer = optim.SGD(model.parameters(), lr=0.1)
scheduler = lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)

for epoch in range(1, 31):
    # train
    optimizer.zero_grad()
    optimizer.step()
    print("第%d个epoch的学习率:%f" % (epoch, optimizer.param_groups[0]["lr"]))
    scheduler.step()

输出结果为:

第1个epoch的学习率:0.100000
第2个epoch的学习率:0.100000
第3个epoch的学习率:0.100000
第4个epoch的学习率:0.100000
第5个epoch的学习率:0.100000
第6个epoch的学习率:0.100000
第7个epoch的学习率:0.100000
第8个epoch的学习率:0.100000
第9个epoch的学习率:0.100000
第10个epoch的学习率:0.100000
第11个epoch的学习率:0.010000
第12个epoch的学习率:0.010000
第13个epoch的学习率:0.010000
第14个epoch的学习率:0.010000
第15个epoch的学习率:0.010000
第16个epoch的学习率:0.010000
第17个epoch的学习率:0.010000
第18个epoch的学习率:0.010000
第19个epoch的学习率:0.010000
第20个epoch的学习率:0.010000
第21个epoch的学习率:0.001000
第22个epoch的学习率:0.001000
第23个epoch的学习率:0.001000
第24个epoch的学习率:0.001000
第25个epoch的学习率:0.001000
第26个epoch的学习率:0.001000
第27个epoch的学习率:0.001000
第28个epoch的学习率:0.001000
第29个epoch的学习率:0.001000
第30个epoch的学习率:0.001000

由此可以看出这个StepLR调度器将会在每 10 个步骤后将学习率乘以 0.1。

补充:MultiStepLR 调度器

MultiStepLR 调度器与 StepLR 调度器的原理类似,不同之处在于它可以在任意指定的步骤上调整学习率。下面是一个使用 MultiStepLR 的示例代码:

scheduler = lr_scheduler.MultiStepLR(optimizer, milestones=[5, 25], gamma=0.1)

在这个示例中,我们将学习率调整的步骤分别设置为 5 和 25,并将学习率调整因子设置为 0.1。这意味着在模型训练的第 5 步和 25 步时,学习率会乘以 0.1。运行结果如下所示:

第1个epoch的学习率:0.100000
第2个epoch的学习率:0.100000
第3个epoch的学习率:0.100000
第4个epoch的学习率:0.100000
第5个epoch的学习率:0.100000
第6个epoch的学习率:0.010000
第7个epoch的学习率:0.010000
第8个epoch的学习率:0.010000
第9个epoch的学习率:0.010000
第10个epoch的学习率:0.010000
第11个epoch的学习率:0.010000
第12个epoch的学习率:0.010000
第13个epoch的学习率:0.010000
第14个epoch的学习率:0.010000
第15个epoch的学习率:0.010000
第16个epoch的学习率:0.010000
第17个epoch的学习率:0.010000
第18个epoch的学习率:0.010000
第19个epoch的学习率:0.010000
第20个epoch的学习率:0.010000
第21个epoch的学习率:0.010000
第22个epoch的学习率:0.010000
第23个epoch的学习率:0.010000
第24个epoch的学习率:0.010000
第25个epoch的学习率:0.010000
第26个epoch的学习率:0.001000
第27个epoch的学习率:0.001000
第28个epoch的学习率:0.001000
第29个epoch的学习率:0.001000
第30个epoch的学习率:0.001000
本教程共117节,当前为第74节!
本教程最新修订时间为:2026-05-08 11:10:53