概述
循环学习率在下限和上限之间反复循环学习率，而不是仅仅衰减它。这种违反直觉的弹跳可以加速收敛，并帮助优化器避开尖锐的局部极小值和鞍点。
周期性学习率是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
Leslie Smith 在 2015 年提出，循环学习率 (CLR) 挑战了学习率只会下降的假设。相反，它在固定次数的迭代（“周期”）内在最小和最大界限之间振荡，通常呈三角形。直觉：周期性地提高速率会提供能量爆发，让模型跳出糟糕的尖锐最小值并穿越鞍点，而低相位则让它稳定下来。史密斯还引入了“LR范围测试”——一种在观察损失的同时向上扫动利率的短期运行——以自动找到良好的界限。三角、衰变三角和著名的单周期政策都建立在这一想法的基础上。
技术洞察
三角政策在半个周期内将利率从基数线性增加到最大值，然后在另一半周期内线性降低。周期长度通常设置为几个时期的迭代。单周期政策使用单个长周期：利率上升，然后下降到起点以下，而动量反向移动——利率低时动量高，反之亦然——这充当正则化器，并在某些任务上实现“超收敛”。
掌握周期性学习率
循环学习率在下限和上限之间反复循环学习率，而不是仅仅衰减它。这种违反直觉的弹跳可以加速收敛，并帮助优化器避开尖锐的局部极小值和鞍点。周期性学习率是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将周期性学习率视为一种操作模型，而不是单一特征：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用循环学习率根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
fast.ai 普及了单周期策略，作为在几个时期内快速训练图像分类器达到高精度的默认策略。
LR 范围测试将速率向上扫描数百个批次，以在实际运行之前选择最小和最大边界。
快照集成在每个周期结束时保存模型检查点，从一次训练运行中生成一个免费的集成。
热重启随机梯度下降 (SGDR) 会定期将速率重置为高值，以避免急剧最小值。
实施模式
实践中的循环学习率
fast.ai 普及了单周期策略，作为在几个时期内快速训练图像分类器达到高精度的默认策略。
fast.ai 普及了单周期策略，作为在几个时期内快速训练图像分类器达到高精度的默认策略。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的循环学习率
LR 范围测试将速率向上扫描数百个批次，以在实际运行之前选择最小和最大边界。
LR 范围测试将速率向上扫过数百个批次，以在实际运行之前选择最小和最大边界。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的循环学习率
快照集成在每个周期结束时保存模型检查点，从一次训练运行中生成一个免费的集成。
快照集成在每个周期结束时保存一个模型检查点，从一次训练运行中生成一个免费的集成。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的循环学习率
热重启随机梯度下降 (SGDR) 会定期将速率重置为高值，以避免急剧最小值。
带热重启的随机梯度下降 (SGDR) 会定期将速率重置为高值，以避免急剧的极小值。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。