Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2306.00144v1

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2306.00144v1 (cs)
[提交于 2023年5月31日 (此版本) , 最新版本 2023年6月2日 (v2) ]

标题: 机械:学习率调节器

标题: Mechanic: A Learning Rate Tuner

Authors:Ashok Cutkosky, Aaron Defazio, Harsh Mehta
摘要: 我们介绍了一种技术,用于自动调整任何基础优化算法和调度的学习率缩放因子,我们称之为\textsc{机械学}。 我们的方法提供了对近期理论缩减的实用实现,以在在线凸优化中完成类似的目标。 我们在具有不同批量大小、调度和基础优化算法的大规模深度学习任务范围内对\textsc{机械学}进行了严格的评估。 这些实验表明,根据问题的不同,\textsc{机械学}要么非常接近、匹配甚至优于手动调整学习率。
摘要: We introduce a technique for tuning the learning rate scale factor of any base optimization algorithm and schedule automatically, which we call \textsc{mechanic}. Our method provides a practical realization of recent theoretical reductions for accomplishing a similar goal in online convex optimization. We rigorously evaluate \textsc{mechanic} on a range of large scale deep learning tasks with varying batch sizes, schedules, and base optimization algorithms. These experiments demonstrate that depending on the problem, \textsc{mechanic} either comes very close to, matches or even improves upon manual tuning of learning rates.
主题: 机器学习 (cs.LG)
引用方式: arXiv:2306.00144 [cs.LG]
  (或者 arXiv:2306.00144v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2306.00144
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Harsh Mehta [查看电子邮件]
[v1] 星期三, 2023 年 5 月 31 日 19:32:43 UTC (2,573 KB)
[v2] 星期五, 2023 年 6 月 2 日 01:09:47 UTC (2,573 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号