我正在使用来自github的Pytorch代码

我正在尝试将其移植到Keras。在Keras中，训练神经网络使用model.fit，它有一个batch_size参数。我试图设置这个参数，但无法从上面链接的Pytorch脚本中确定它。

在脚本中，第4个框中有一个名为sliding_window的函数，其中有一个名为step的参数。我不确定这是否等同于batch_size的设置。

另外，我正在研究如何从Pytorch代码的第11个框中设置学习率调度器：

base_lr = 0.01params_dict = dict(net.named_parameters())params = []for key, value in params_dict.items():    if '_D' in key:        # 解码器权重以标称学习率进行训练        params += [{'params':[value],'lr': base_lr}]    else:        # 编码器权重以 lr / 2 的学习率进行训练（我们使用VGG-16权重作为初始化）        params += [{'params':[value],'lr': base_lr / 2}]optimizer = optim.SGD(net.parameters(), lr=base_lr, momentum=0.9, weight_decay=0.0005)# 我们定义调度器scheduler = optim.lr_scheduler.MultiStepLR(optimizer, [25, 35, 45], gamma=0.1)

我一直使用Keras的默认学习率。关于如何将这个调度器转换成Keras代码的任何见解也将不胜感激。

回答：

下面是一个在Keras中编写学习率调度器的示例：

from keras.callbacks import Callbackfrom keras import backend as Kclass LRSchedule(Callback):    def __init__(self, schedule):        super(LRSchedule, self).__init__()        self.schedule = schedule    def on_train_begin(self, logs = {}):        self.epoch_counter = 0        self.schedule_index = 0    def on_epoch_end(self, epoch, logs = {}):        self.epoch_counter += 1        if len(self.schedule)  > self.schedule_index + 1:            next_epoch = self.schedule[self.schedule_index + 1]            if self.epoch_counter == next_epoch:                K.set_value(self.model.optimizer.lr, self.model.optimizer.lr / 2.0)                self.schedule_index += 1

在您的代码中，您将以这种方式调用回调：

lr_scheduler = LRSchedule([25, 35, 45])model.fit_generator(..., callbacks = [lr_scheduler])

请注意，这个调度器在达到某个纪元时，会将学习率设置为较低的值（通过除以2）。将其修改为更复杂的调度策略是非常简单的。