ReduceOnPlateau

class 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 ) [源代码]

loss 自适应的学习率衰减策略。默认情况下，当 loss 停止下降时，降低学习率。其思想是：一旦模型表现不再提升，将学习率降低2-10倍对模型的训练往往有益。

loss 是传入到该类方法 step 中的 metrics 参数，其可以是float或者shape为[1]的Tensor或numpy.ndarray。 如果 loss 停止下降超过 patience 个epoch，学习率将会衰减为 learning_rate * factor （特殊地，mode 也可以被设置为 'max' ，此时逻辑相反）。

此外，每降低一次学习率后，将会进入一个时长为 cooldown 个epoch的冷静期，在冷静期内，将不会监控 loss 的变化情况，也不会衰减。 在冷静期之后，会继续监控 loss 的上升或下降。

参数：

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

  • mode (str，可选) - '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。默认：'min' 。 （注意：仅在特殊用法时，可以将其设置为 'max' ，此时判断逻辑相反， loss 停止上升学习率才衰减）

  • factor (float，可选) - 学习率衰减的比例。new_lr = origin_lr * factor ，它是值小于1.0的float型数字，默认: 0.1。

  • patience (int，可选) - 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。默认：10。

  • threshold (float，可选) - 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。默认：1e-4。

  • threshold_mode (str，可选) - '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 。 默认：'rel' 。

  • cooldown (int，可选) - 在学习率每次衰减之后，会进入时长为 cooldown 个 step 的冷静期。默认：0。

  • min_lr (float，可选) - 最小的学习率。衰减后的学习率最低下界限。默认：0。

  • epsilon (float，可选) - 如果新旧学习率间的差异小于epsilon ，则不会更新。默认值:1e-8。

  • 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 ReduceOnPlateau 实例对象。

代码示例

  1. import paddle
  2. import numpy as np
  4. # train on default dynamic graph mode
  5. linear = paddle.nn.Linear(10, 10)
  6. scheduler = paddle.optimizer.lr.ReduceOnPlateau(learning_rate=1.0, factor=0.5, patience=5, verbose=True)
  7. sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
  8. for epoch in range(20):
  9.     for batch_id in range(2):
  10.         x = paddle.uniform([10, 10])
  11.         out = linear(x)
  12.         loss = paddle.mean(out)
  13.         loss.backward()
  14.         sgd.step()
  15.         sgd.clear_gradients()
  16.         scheduler.step(loss)    # If you update learning rate each step
  17.   # scheduler.step(loss)        # If you update learning rate each epoch
  19. # train on static graph mode
  20. paddle.enable_static()
  21. main_prog = paddle.static.Program()
  22. start_prog = paddle.static.Program()
  23. with paddle.static.program_guard(main_prog, start_prog):
  24.     x = paddle.static.data(name='x', shape=[None, 4, 5])
  25.     y = paddle.static.data(name='y', shape=[None, 4, 5])
  26.     z = paddle.static.nn.fc(x, 100)
  27.     loss = paddle.mean(z)
  28.     scheduler = paddle.optimizer.lr.ReduceOnPlateau(learning_rate=1.0, factor=0.5, patience=5, verbose=True)
  29.     sgd = paddle.optimizer.SGD(learning_rate=scheduler)
  30.     sgd.minimize(loss)
  32. exe = paddle.static.Executor()
  33. exe.run(start_prog)
  34. for epoch in range(20):
  35.     for batch_id in range(2):
  36.         out = exe.run(
  37.             main_prog,
  38.             feed={
  39.                 'x': np.random.randn(3, 4, 5).astype('float32'),
  40.                 'y': np.random.randn(3, 4, 5).astype('float32')
  41.             },
  42.             fetch_list=loss.name)
  43.         scheduler.step(out[0])    # If you update learning rate each step
  44.   # scheduler.step(out[0])        # If you update learning rate each epoch

step ( metrics, epoch=None )

step函数需要在优化器的 optimizer.step() 函数之后调用，其根据传入的 metrics 调整optimizer中的学习率，调整后的学习率将会在下一个 step 时生效。

参数：

  • metrics (Tensor|numpy.ndarray|float）- 用来判断是否需要降低学习率。如果 loss 连续 patience 个 step 没有下降， 将会降低学习率。可以是Tensor或者numpy.array，但是shape必须为[1]，也可以是Python的float类型。

  • 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。