1. 学习率：

  学习率(Learning rate)作为监督学习以及深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。

2. 学习率举例：

  这里以梯度下降为例，来观察一下不同的学习率对代价函数的收敛过程的影响（这里以代价函数为凸函数为例）：
  回顾一下梯度下降的代码：
θj=θj−αΔJ(θ)Δθj">      

θj=θj−αΔJ(θ)Δθj">  当学习率设置的过小时，收敛过程如下：

θj=θj−αΔJ(θ)Δθj">  

θj=θj−αΔJ(θ)Δθj">

   当学习率设置的过大时，收敛过程如下：

θj=θj−αΔJ(θ)Δθj">  

θj=θj−αΔJ(θ)Δθj">

   因此可知，当学习率设置的过小时，收敛过程将变得十分缓慢。而当学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛。

3. 学习率的调整：

选择一个合适的学习率，对于模型的训练将至关重要。下面来了解一些学习率调整的方法：

2.1 离散下降(discrete staircase)

??对于深度学习来说，每 t">t 轮学习，学习率减半。对于监督学习来说，初始设置一个较大的学习率，然后随着迭代次数的增加，减小学习率。

2.2 指数减缓(exponential decay)

??对于深度学习来说，学习率按训练轮数增长指数差值递减。例如：

??又或者公式为：

??其中epoch_num为当前epoch的迭代轮数。不过第二种方法会引入另一个超参 k">k 。

2.3 分数减缓(1/t decay)

??对于深度学习来说，学习率按照公式   α=α1+decayrate∗epochnum">   变化， decay_rate控制减缓幅度。