余弦退火算法与学习率预热
余弦退火算法与学习率预热
总述：
（1）标准余弦退火算法（Cosine Annealing）是通过单次的余弦曲线调整学习率，在一个周期内让学习率从一个最大值平滑下降η_max到最小值η_min，这种调整模式是非周期性的，完成一次后学习率保持最小不变，
（2）带热重启的余弦退火（SGDR)是余弦退火的周期性扩展版本。它在每个周期结束时将学习率重置回初始最大值，并开始新的余弦衰减周期，形成周期性波动。周期往往是动态的：Tmax = Tmax *2^n
（3）Warmup（学习率预热）是独立于余弦退火的策略，其目的是在训练初期逐步提高学习率（例如线性增长），避免模型因随机初始权重导致训练不稳定
余弦退火算法的学习率表达：（区别在于周期结束后，SGDR会讲T_设置成0）
使用场景：
标准余弦退火算法常常在短周期训练（epoch<50），需要稳定收敛的情况下使用。SGDR算法的热重启通过周期性地升高学习率，帮助模型跳出局部最优解，探索更广参数空间。