CosineAnnealingWarmRestarts

class paddle.optimizer.lr. CosineAnnealingWarmRestarts ( learning_rate, T_0, T_mult=1, eta_min=0, last_epoch=- 1, verbose=False )

该接口使用 cosine annealing 的策略来动态调整学习率。

\[\eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right)\]

\(\eta_{max}\) 的初始值为 learning_rate\(T_{cur}\) 是 SGDR(重启训练 SGD)训练过程中的当前训练轮数。\(T_{i}\) 是 SGDR 两次重启训练之间 epoch 的数量

\(T_{cur}=T_{i}\) ,设 \(\eta_t = \eta_{min}\) 。当重启后 \(T_{cur}=0\) ,设 \(\eta_t=\eta_{max}\)

SGDR 的训练方法可以参考论文,相关论文:SGDR: Stochastic Gradient Descent with Warm Restarts

参数

  • learning_rate (float) - 初始学习率。

  • T_0 (int) - 首次重启后迭代的次数。

  • T_mult (int,可选) - 重启之后 \(T_{i}\) 乘积增长因子。默认值 1。

  • eta_min (float,可选) - 最小学习率。默认值 0.

  • 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 CosineAnnealingWarmRestarts 实例对象。

代码示例

COPY-FROM: paddle.optimizer.lr.CosineAnnealingWarmRestarts:code-example1 COPY-FROM: paddle.optimizer.lr.CosineAnnealingWarmRestarts:code-example2

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。