PolynomialDecay¶
- class paddle.optimizer.lr. PolynomialDecay ( learning_rate, decay_steps, end_lr=0.0001, power=1.0, cycle=False, last_epoch=- 1, verbose=False ) [源代码] ¶
该接口提供学习率按多项式衰减的策略。通过多项式衰减函数，使得学习率值逐步从初始的 learning_rate，衰减到 end_lr 。
若 cycle 为 True，则计算公式为：
decay_steps=decay_steps∗math.ceil(epochdecay_steps)new_learning_rate=(learning_rate−end_lr)∗(1−epochdecay_steps)power+end_lr
若 cycle 为 False，则计算公式为：
epoch=min(epoch,decay_steps)new_learning_rate=(learning_rate−end_lr)∗(1−epochdecay_steps)power+end_lr
参数¶
learning_rate (float) - 初始学习率，数据类型为 Python float。
decay_steps (int) - 进行衰减的步长，这个决定了衰减周期。
end_lr (float，可选）- 最小的最终学习率。默认值为 0.0001。
power (float，可选) - 多项式的幂，power 应该大于 0.0，才能使学习率衰减。默认值为 1.0。
cycle (bool，可选) - 学习率下降后是否重新上升。若为 True，则学习率衰减到最低学习率值时，会重新上升。若为 False，则学习率单调递减。默认值为 False。
last_epoch (int，可选) - 上一轮的轮数，重启训练时设置为上一轮的 epoch 数。默认值为 -1，则为初始学习率。
verbose (bool，可选) - 如果是 True，则在每一轮更新时在标准输出 stdout 输出一条信息。默认值为
False。
返回¶
用于调整学习率的 PolynomialDecay 实例对象。
代码示例¶
>>> # Example1: train on default dynamic graph mode
>>> import paddle
>>> import numpy as np
>>> # train on default dynamic graph mode
>>> linear = paddle.nn.Linear(10, 10)
>>> scheduler = paddle.optimizer.lr.PolynomialDecay(learning_rate=0.5, decay_steps=20, verbose=True)
>>> sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
>>> for epoch in range(20):
... for batch_id in range(5):
... x = paddle.uniform([10, 10])
... out = linear(x)
... loss = paddle.mean(out)
... loss.backward()
... sgd.step()
... sgd.clear_gradients()
... scheduler.step() # If you update learning rate each step
... # scheduler.step() # If you update learning rate each epoch