CosineAnnealingWarmRestarts¶

class paddle.optimizer.lr. CosineAnnealingWarmRestarts ( learning_rate, T_0, T_mult=1, eta_min=0, last_epoch=- 1, verbose=False ) [源代码] ¶

该接口使用 cosine annealing 的策略来动态调整学习率。

\[\eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right)\]

\(\eta_{max}\) 的初始值为 learning_rate， \(T_{cur}\) 是 SGDR（重启训练 SGD）训练过程中的当前训练轮数。\(T_{i}\) 是 SGDR 两次重启训练之间 epoch 的数量

当 \(T_{cur}=T_{i}\) ，设 \(\eta_t = \eta_{min}\) 。当重启后 \(T_{cur}=0\) ，设 \(\eta_t=\eta_{max}\) 。

SGDR 的训练方法可以参考论文，相关论文：SGDR: Stochastic Gradient Descent with Warm Restarts

参数¶

learning_rate (float) - 初始学习率。

T_0 (int) - 首次重启后迭代的次数。

T_mult (int，可选) - 重启之后 \(T_{i}\) 乘积增长因子。默认值 1。

eta_min (float，可选) - 最小学习率。默认值 0.

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 CosineAnnealingWarmRestarts 实例对象。

代码示例¶

           >>> import paddle
 >>> import numpy as np
 >>> # train on default dynamic graph mode
 >>> linear = paddle.nn.Linear(10, 10)
 >>> scheduler = paddle.optimizer.lr.CosineAnnealingWarmRestarts(learning_rate=0.5, T_0=1, T_mult=2, verbose=True)
 >>> adam = paddle.optimizer.Adam(learning_rate=scheduler, parameters=linear.parameters())
 >>> for epoch in range(10):
 ...    for batch_id in range(10):
 ...        x = paddle.uniform([10, 10])
 ...        out = linear(x)
 ...        loss = paddle.mean(out)
 ...        loss.backward()
 ...        adam.step()
 ...        adam.clear_grad()
 ...    scheduler.step(epoch)        # You should update learning rate each step

         

           >>> import paddle
 >>> import numpy as np
 >>> paddle.enable_static()
 >>> main_prog = paddle.static.Program()
 >>> start_prog = paddle.static.Program()
 >>> with paddle.static.program_guard(main_prog, start_prog):
 ...    x = paddle.static.data(name='x', shape=[None, 4, 5])
 ...    y = paddle.static.data(name='y', shape=[None, 4, 5])
 ...    z = paddle.static.nn.fc(x, 100)
 ...    loss = paddle.mean(z)
 ...    scheduler = paddle.optimizer.lr.CosineAnnealingWarmRestarts(learning_rate=0.5, T_0=1, T_mult=2,verbose=True)
 ...    sgd = paddle.optimizer.SGD(learning_rate=scheduler)
 ...    sgd.minimize(loss)
 >>> exe = paddle.static.Executor()
 >>> exe.run(start_prog)
 >>> for epoch in range(10):
 ...    for batch_id in range(10):
 ...        out = exe.run(
 ...            main_prog,
 ...            feed={
 ...                'x': np.random.randn(3, 4, 5).astype('float32'),
 ...                'y': np.random.randn(3, 4, 5).astype('float32')
 ...            },
 ...            fetch_list=loss.name)
 ...    scheduler.step(epoch)    # You should update learning rate each step

         

方法¶

step(epoch=None)¶

step 函数需要在优化器的 optimizer.step() 函数之后调用，调用之后将会根据 epoch 数来更新学习率，更新之后的学习率将会在优化器下一轮更新参数时使用。

参数

epoch (int，可选) - 指定具体的 epoch 数。默认值 None，此时将会从-1 自动累加 epoch 数。

返回

无。

代码示例

参照上述示例代码。

使用本API的教程文档¶

Pytorch 写法