MultiStepDecay

class paddle.optimizer.lr. MultiStepDecay ( learning_rate, milestones, gamma=0.1, last_epoch=- 1, verbose=False ) [源代码]

该接口提供一种学习率按 指定轮数 进行衰减的策略。

衰减过程可以参考以下代码:

learning_rate = 0.5
milestones = [30, 50]
gamma = 0.1

learning_rate = 0.5     if epoch < 30
learning_rate = 0.05    if 30 <= epoch < 50
learning_rate = 0.005   if 50 <= epoch
...

参数

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

  • milestones (list) - 轮数下标列表。必须递增。

  • gamma (float,可选) - 衰减率,new_lr = origin_lr * gamma,衰减率必须小于等于 1.0,默认值为 0.1。

  • 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 MultiStepDecay 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.MultiStepDecay(learning_rate=0.5, milestones=[2, 4, 6], gamma=0.8, 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。

使用本API的教程文档