LinearLrWarmup

class paddle.optimizer.lr_scheduler.LinearLrWarmup ( learing_rate, warmup_steps, start_lr, end_lr, last_epoch=- 1, verbose=False )

该接口提供一种学习率优化策略-线性学习率热身(warm up)对学习率进行初步调整。在正常调整学习率之前，先逐步增大学习率。

当训练步数小于热身步数（warmup_steps）时，学习率lr按如下方式更新：

  1. linear_step = end_lr - start_lr
  2. lr = start_lr + linear_step * (epoch / warmup_steps)

当训练步数大于等于热身步数（warmup_steps）时，学习率lr为：

  1. lr = learning_rate

其中learning_rate为热身之后的学习率。

参数

  • learning rate （float|_LRScheduler）：热启训练之后的学习率，可以是Python的float或_LRScheduler子类。

  • warmup_steps （int）：进行warm up过程的步数。

  • start_lr （float）：warm up的起始学习率。

  • end_lr （float）：warm up的最终学习率。

  • 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

返回计算LinearLrWarmup的可调用对象。

代码示例

  1. import paddle
  2. import numpy as np
  4. # train on default dygraph mode
  5. paddle.disable_static()
  6. x = np.random.uniform(-1, 1, [10, 10]).astype("float32")
  7. linear = paddle.nn.Linear(10, 10)
  8. scheduler = paddle.optimizer.LinearLrWarmup(
  9.         learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
  10. sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameter_list=linear.parameters())
  11. for epoch in range(20):
  12.     for batch_id in range(2):
  13.         x = paddle.to_tensor(x)
  14.         out = linear(x)
  15.         loss = paddle.reduce_mean(out)
  16.         loss.backward()
  17.         sgd.minimize(loss)
  18.         linear.clear_gradients()
  19.     scheduler.step()
  21. # train on static mode
  22. paddle.enable_static()
  23. main_prog = paddle.static.Program()
  24. start_prog = paddle.static.Program()
  25. with paddle.static.program_guard(main_prog, start_prog):
  26.     x = paddle.static.data(name='x', shape=[None, 4, 5])
  27.     y = paddle.static.data(name='y', shape=[None, 4, 5])
  28.     z = paddle.static.nn.fc(x, 100)
  29.     loss = paddle.mean(z)
  30.     scheduler = paddle.optimizer.lr_scheduler.LinearLrWarmup(
  31.         learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
  32.     sgd = paddle.optimizer.SGD(learning_rate=scheduler)
  33.     sgd.minimize(loss)
  35. exe = paddle.static.Executor()
  36. exe.run(start_prog)
  37. for epoch in range(20):
  38.     for batch_id in range(2):
  39.         out = exe.run(
  40.             main_prog,
  41.             feed={
  42.                 'x': np.random.randn(3, 4, 5).astype('float32'),
  43.                 'y': np.random.randn(3, 4, 5).astype('float32')
  44.             },
  45.             fetch_list=loss.name)
  46.     scheduler.step()

step ( epoch=None )

step函数需要在优化器的 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。