[ 组合替代实现 ]torch.optim.lr_scheduler.ReduceLROnPlateau

torch.optim.lr_scheduler.ReduceLROnPlateau

torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer,
                                        mode='min',
                                        factor=0.1,
                                        patience=10,
                                        threshold=0.0001,
                                        threshold_mode='rel',
                                        cooldown=0,
                                        min_lr=0,
                                        eps=1e-08,
                                        verbose=False)

paddle.optimizer.lr.ReduceOnPlateau

paddle.optimizer.lr.ReduceOnPlateau(learning_rate,
                                mode='min',
                                factor=0.1,
                                patience=10,
                                threshold=1e-4,
                                threshold_mode='rel',
                                cooldown=0,
                                min_lr=0,
                                epsilon=1e-8,
                                verbose=False)

两者 API 功能一致, 参数用法不一致,PyTorch 是 Scheduler 实例持有 Optimizer 实例,Paddle 是 Optimizer 实例持有 Scheduler 实例。由于持有关系相反,因此 Paddle 使用 Optimizer.set_lr_scheduler 来设置这种持有关系。具体如下:

参数映射

PyTorch PaddlePaddle 备注
optimizer learning_rate PyTorch 的 optimizer 类型是 torch.optim.Optimizer,Paddle 的 learning_rate 类型是 float,两者功能上不直接一致,但可通过设置 leaning_rate = optimizer.get_lr() 来对应一致。
mode mode 'min' 和 'max' 之一。通常情况下,为 'min',此时当 loss 停止下降时学习率将衰减。参数完全一致。
factor factor 表示学习率衰减的比例。参数完全一致。
patience patience 当 loss 连续 patience 个 epoch 没有下降(对应 mode: 'min')或上升(对应 mode: 'max')时,学习率才会衰减。参数完全一致。
threshold threshold threshold 和 threshold_mode 两个参数将会决定 loss 最小变化的阈值。小于该阈值的变化将会被忽视。参数完全一致。
threshold_mode threshold_mode 'rel' 和 'abs' 之一。在 'rel' 模式下,loss 最小变化的阈值是 last_loss * threshold,其中 last_loss 是 loss 在上个 epoch 的值。在 'abs' 模式下,loss 最小变化的阈值是 threshold。参数完全一致。
cooldown cooldown 在学习率每次衰减之后,会进入时长为 cooldown 个 step 的冷静期。参数完全一致。
min_lr min_lr 最小的学习率。衰减后的学习率最低下界限。参数完全一致。
eps epsilon 如果新旧学习率间的差异小于 epsilon,则不会更新。仅参数名不一致。
verbose verbose 如果是 True,则在每一轮更新时在标准输出 stdout 输出一条信息。参数完全一致。

转写示例

# PyTorch 写法
linear = torch.nn.Linear(10, 10)
sgd = torch.optimizer.SGD(lr=0.5, parameters=linear.parameters())
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer=sgd, 'min')

# Paddle 写法
linear = paddle.nn.linear(10, 10)
sgd = paddle.optimizer.SGD(learning_rate=0.5, parameters=linear.parameters())
scheduler = paddle.optimizer.lr.ReduceOnPlateau(learning_rate=sgd.get_lr(), 'min')
sgd.set_lr_scheduler(scheduler)