LinearWarmup¶
- class paddle.optimizer.lr. LinearWarmup ( learing_rate, warmup_steps, start_lr, end_lr, last_epoch=- 1, verbose=False ) [源代码] ¶
该接口提供一种学习率优化策略-线性学习率热身(warm up)对学习率进行初步调整。在正常调整学习率之前，先逐步增大学习率。
当训练步数小于热身步数（warmup_steps）时，学习率lr按如下方式更新：
\[lr = start\_lr + (end\_lr - start\_lr) * \frac{epoch}{warmup\_steps}\]
当训练步数大于等于热身步数（warmup_steps）时，学习率lr为：
\[lr = learning\_rate\]
其中learning_rate为热身之后的学习率，可以是python的float类型或者 _LRScheduler 的任意子类。
参数¶
learning rate (float|_LRScheduler) - 热启训练之后的学习率，可以是python的float类型或者
_LRScheduler的任意子类。warmup_steps (int) - 进行warm up过程的步数。
start_lr (float) - warm up的起始学习率。
end_lr (float) - warm up的最终学习率。
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 LinearWarmup 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.LinearWarmup(
learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
for epoch in range(20):
for batch_id in range(2):
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
# train on static graph mode
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.LinearWarmup(
learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
sgd = paddle.optimizer.SGD(learning_rate=scheduler)
sgd.minimize(loss)
exe = paddle.static.Executor()
exe.run(start_prog)
for epoch in range(20):
for batch_id in range(2):
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() # If you update learning rate each step
# scheduler.step() # If you update learning rate each epoch