LinearLR¶

class paddle.optimizer.lr. LinearLR ( learning_rate, total_steps, start_factor=1. / 3, end_factor=1.0, last_epoch=- 1, verbose=False ) [源代码] ¶

该接口提供一种学习率优化策略-线性学习率对学习率进行调整。

参数¶

learning_rate (float) - 基础学习率，用于确定初始学习率和最终学习率。

total_steps (float) - 学习率从初始学习率线性增长到最终学习率所需要的步数。

start_factor (float) - 初始学习率因子，通过 learning_rate * start_factor 确定。

end_factor (float) - 最终学习率因子，通过 learning_rate * end_factor 确定。

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 LinearLR 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.LinearLR(learning_rate=0.5, total_steps=5, verbose=True)
 >>> sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
 >>> for epoch in range(5):
 ...     for batch_id in range(20):
 ...         x = paddle.uniform([10, 10])
 ...         out = linear(x)
 ...         loss = paddle.mean(out)
 ...         loss.backward()
 ...         sgd.step()
 ...         sgd.clear_gradients()
 ...         scheduler.step()

         

           >>> # Example2: train on static graph mode
 >>> 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.LinearLR(learning_rate=0.5,
 ...        total_steps=5, verbose=True)
 ...     sgd = paddle.optimizer.SGD(learning_rate=scheduler)
 ...     sgd.minimize(loss)
 ...
 >>> exe = paddle.static.Executor()
 >>> exe.run(start_prog)
 >>> for epoch in range(5):
 ...     for batch_id in range(20):
 ...         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()

         

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