InverseTimeDecay

class paddle.optimizer.lr. InverseTimeDecay ( learning_rate, gamma, last_epoch=- 1, verbose=False ) [源代码]

该接口提供逆时间衰减学习率的策略,即学习率与当前衰减次数成反比。

计算方式如下:

\[new\_learning\_rate = \frac{learning\_rate}{1 + gamma * epoch}\]

参数

  • learning_rate (float) - 初始学习率,数据类型为 Python float。

  • gamma (float) - 衰减率,new_lr = origin_lr * gamma

  • 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 InverseTimeDecay 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.InverseTimeDecay(learning_rate=0.5, gamma=0.1, 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

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。