CosineAnnealingDecay

class paddle.optimizer.lr.CosineAnnealingDecay ( learning_rate, T_max, eta_min\=0, last_epoch\=- 1, verbose\=False ) [源代码]

该接口使用 cosine annealing 的策略来动态调整学习率。

CosineAnnealingDecay - 图1

CosineAnnealingDecay - 图2

的初始值为 learning_rate，

CosineAnnealingDecay - 图3

是SGDR（重启训练SGD）训练过程中的当前训练轮数。SGDR的训练方法可以参考文档 SGDR: Stochastic Gradient Descent with Warm Restarts. 这里只是实现了 cosine annealing 动态学习率，热启训练部分没有实现。

参数：

  • learning_rate (float) - 初始学习率，也就是公式中的 ηmaxηmax ，数据类型为Python float。

  • T_max (float|int) - 训练的上限轮数，是余弦衰减周期的一半。

  • eta_min (float|int, 可选) - 学习率的最小值，即公式中的 ηminηmin 。默认值为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 CosineAnnealingDecay 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.CosineAnnealingDecay(learning_rate=0.5, T_max=10, 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(5):
  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()    # If you update learning rate each step
  17.   # scheduler.step()        # If you update learning rate each epoch
  20. # train on static graph mode
  21. paddle.enable_static()
  22. main_prog = paddle.static.Program()
  23. start_prog = paddle.static.Program()
  24. with paddle.static.program_guard(main_prog, start_prog):
  25.     x = paddle.static.data(name='x', shape=[None, 4, 5])
  26.     y = paddle.static.data(name='y', shape=[None, 4, 5])
  27.     z = paddle.static.nn.fc(x, 100)
  28.     loss = paddle.mean(z)
  29.     scheduler = paddle.optimizer.lr.CosineAnnealingDecay(learning_rate=0.5, T_max=10, verbose=True)
  30.     sgd = paddle.optimizer.SGD(learning_rate=scheduler)
  31.     sgd.minimize(loss)
  33. exe = paddle.static.Executor()
  34. exe.run(start_prog)
  35. for epoch in range(20):
  36.     for batch_id in range(5):
  37.         out = exe.run(
  38.             main_prog,
  39.             feed={
  40.                 'x': np.random.randn(3, 4, 5).astype('float32'),
  41.                 'y': np.random.randn(3, 4, 5).astype('float32')
  42.             },
  43.             fetch_list=loss.name)
  44.         scheduler.step()    # If you update learning rate each step
  45.   # scheduler.step()        # If you update learning rate each epoch

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。