PyTorch Lightning中自定义学习率调度器的正确配置方法

在深度学习模型训练过程中，学习率调度是一个至关重要的环节。PyTorch Lightning作为PyTorch的高级封装框架，提供了便捷的学习率调度器配置方式。然而，在实际使用中，开发者可能会遇到自定义学习率调度器不生效的问题。

问题现象

当开发者尝试在PyTorch Lightning中实现一个包含线性预热和余弦退火的自定义学习率调度器时，可能会发现学习率曲线并未按照预期变化。具体表现为：

1. 学习率没有经历预期的线性预热阶段
2. 学习率没有按照余弦函数规律下降
3. 整个训练过程中学习率保持不变

原因分析

这种情况通常是由于学习率调度器的配置参数不完整导致的。PyTorch Lightning的学习率调度器配置字典中，默认的interval参数是"epoch"，这意味着调度器会在每个epoch结束时才更新学习率。而对于大多数现代深度学习训练场景，特别是大规模数据集训练时，我们通常希望学习率能在每个训练步骤(step)都进行更新。

解决方案

正确的配置方法是在学习率调度器字典中明确指定interval参数为"step"：

lr_scheduler = {
    'scheduler': scheduler,  # 你的自定义调度器实例
    'name': 'custom_scheduler',  # 可选的调度器名称
    'interval': 'step',  # 关键参数，指定按步骤更新
}

完整实现示例

下面是一个完整的自定义学习率调度器实现示例，包含线性预热和余弦退火两个阶段：

import math
import torch
from torch import optim
import pytorch_lightning as pl

class CustomLRSchedulerExperiment(pl.LightningModule):
    def __init__(self, model, config):
        super().__init__()
        self.model = model
        self.config = config

    def configure_optimizers(self):
        optimizer = optim.Adam(
            self.model.parameters(),
            lr=self.config.peak_lr,
            weight_decay=self.config.weight_decay
        )
        
        def lr_lambda(current_step):
            # 线性预热阶段
            if current_step < self.config.warmup_steps:
                return current_step / self.config.warmup_steps
                
            # 余弦退火阶段
            progress = (current_step - self.config.warmup_steps) / \
                      (self.config.num_training_steps - self.config.warmup_steps)
            cosine_decay = 0.5 * (1 + math.cos(math.pi * progress))
            lr = (self.config.last_lr + 
                 (self.config.peak_lr - self.config.last_lr) * cosine_decay)
            return lr / self.config.peak_lr
            
        scheduler = optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)
        
        return {
            "optimizer": optimizer,
            "lr_scheduler": {
                'scheduler': scheduler,
                'interval': 'step',  # 关键配置
                'frequency': 1,      # 每次step都更新
            },
        }

关键注意事项

1. interval参数：必须明确设置为"step"才能实现按训练步骤更新学习率
2. frequency参数：可以控制更新频率，通常设置为1表示每个step都更新
3. LambdaLR调度器：使用PyTorch原生的LambdaLR可以灵活实现各种自定义调度策略
4. 学习率监控：建议配合LearningRateMonitor回调使用，方便在TensorBoard中可视化学习率变化

总结

在PyTorch Lightning框架中正确配置自定义学习率调度器需要注意调度器的更新间隔设置。通过合理配置interval和frequency参数，开发者可以灵活实现各种复杂的学习率调度策略，从而优化模型训练过程。记住，深度学习训练中的学习率调度是一个需要仔细调试的重要超参数，正确的配置方法可以帮助模型获得更好的收敛性和最终性能。