PolynomialDecay

• class paddle.fluid.dygraph.PolynomialDecay(learning_rate, decay_steps, end_learning_rate=0.0001, power=1.0, cycle=False, begin=0, step=1, dtype='float32')[源代码]

该接口提供学习率按多项式衰减的功能。通过多项式衰减函数，使得学习率值逐步从初始的 learning_rate，衰减到 end_learning_rate 。

计算方式如下。

若cycle为True，则计算公式为：

若cycle为False，则计算公式为：

式中，

• ： 衰减后的学习率。

式子中各参数详细介绍请看参数说明。

• 参数：
• • learning_rate (Variable|float32) - 初始学习率。如果类型为Variable，则为shape为[1]的Tensor，数据类型为float32或float64；也可以是python的float类型。
  • decay_steps (int) - 衰减步数。必须是正整数，该参数确定衰减周期。
  • end_learning_rate (float，可选) - 最小的最终学习率。默认值为0.0001。
  • power (float，可选) - 多项式的幂。默认值为1.0。
  • cycle (bool，可选) - 学习率下降后是否重新上升。若为True，则学习率衰减到最低学习率值时，会出现上升。若为False，则学习率曲线则单调递减。默认值为False。
  • begin (int，可选) – 起始步，即以上运算式子中global_step的初始化值。默认值为0。
  • step (int，可选) – 步大小，即以上运算式子中global_step的递增值。默认值为1。
  • dtype (str，可选)– 初始化学习率变量的数据类型，可以为"float32", "float64"。默认值为"float32"。

返回： 无

代码示例

import paddle.fluid as fluid
start_lr = 0.01
total_step = 5000
end_lr = 0
with fluid.dygraph.guard():
    optimizer  = fluid.optimizer.SGD(
        learning_rate = fluid.dygraph.PolynomialDecay(
        start_lr, total_step, end_lr, power=1.0) )