PolynomialDecay

class paddle.optimizer.lr. PolynomialDecay ( learning_rate, decay_steps, end_lr=0.0001, power=1.0, cycle=False, last_epoch=- 1, verbose=False ) [源代码]

该接口提供学习率按多项式衰减的策略。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_lr 。

若cycle为True，则计算公式为：

PolynomialDecay - 图1

若cycle为False，则计算公式为：

epochnew_learning_rate=min(epoch,decay_steps)=(learning_rate−end_lr)∗(1−epochdecay_steps)power+end_lrepoch=min(epoch,decay_steps)new_learning_rate=(learning_rate−end_lr)∗(1−epochdecay_steps)power+end_lr

参数：

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

  • decay_steps (int) - 进行衰减的步长，这个决定了衰减周期。

  • end_lr (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，会重新上升。若为False，则学习率单调递减。默认值为False。

  • 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 PolynomialDecay 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.PolynomialDecay(learning_rate=0.5, decay_steps=20, 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()    # If you update learning rate each step
  17.   # scheduler.step()        # 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.PolynomialDecay(learning_rate=0.5, decay_steps=20, 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()    # If you update learning rate each step
  44.   # 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。