你好！在我的上一篇博客中，我使用MobileNet创建了一个基线模型。在验证数据集上的准确率为52.78%。今天，我试着调整了一个非常重要的超参数模型。

更快的实验

TensorFlow中的超参数调整是一个实验过程。为了缩短每次实验的持续时间，我决定暂时缩小训练和验证数据集的大小。我将文件路径和标签索引到前5000个样本，以减小数据集大小。

您可能已经注意到我在上一篇博客中放入ADAM优化器的一个小参数-学习率(LR)。LR确定优化器应该改进的速度。为了找到理想的学习率，TensorFlow有一个名为LRScheduler的回调。LRScheduler用不同的学习速率训练每个时代。我们稍后可以画出损失是如何随着每个时代的下降而下降的，以找到理想的学习率。在这个博客里，我会告诉你我是如何利用这一点来获得更好的结果的。LRScheduler

创建LRScheduler回调

LRScheduler接受函数作为参数。在代码中实现LRScheduler之后，代码如下所示：

我在此模型中去掉了EarlyStopping回调，以便该模型尝试不同的学习率，并更好地反映实际减少的损失。

用不同的LR绘制损耗波动图

我使用Matplotlib的半对数曲线图(它们是x和y坐标以10为底的对数的曲线图)。

输出如下：

我们可以通过设置曲线图的XLIM来进一步放大

我们可以将理想的学习率近似为3×10^-4=0.0003。

结论

在这个博客中，我们找到了我们模型的理想学习率。明天，我会用这个学习率再次训练这个模型。

好了，今天就到这里吧。再见!