LinearWarmup

class paddle.optimizer.lr. LinearWarmup ( learing_rate, warmup_steps, start_lr, end_lr, last_epoch=- 1, verbose=False ) [源代码]

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：

LinearWarmup - 图1

当训练步数大于等于热身步数（warmup_steps）时，学习率lr为：

lr=learning_ratelr=learning_rate

其中learning_rate为热身之后的学习率，可以是python的float类型或者 _LRScheduler 的任意子类。

参数：

  • learning rate (float|_LRScheduler) - 热启训练之后的学习率，可以是python的float类型或者 _LRScheduler 的任意子类。

  • 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：用于调整学习率的 LinearWarmup 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.LinearWarmup(
  7.         learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
  8. sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
  9. for epoch in range(20):
  10.     for batch_id in range(2):
  11.         x = paddle.uniform([10, 10])
  12.         out = linear(x)
  13.         loss = paddle.mean(out)
  14.         loss.backward()
  15.         sgd.step()
  16.         sgd.clear_gradients()
  17.         scheduler.step()    # If you update learning rate each step
  18.   # 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.LinearWarmup(
  30.         learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, verbose=True)
  31.     sgd = paddle.optimizer.SGD(learning_rate=scheduler)
  32.     sgd.minimize(loss)
  34. exe = paddle.static.Executor()
  35. exe.run(start_prog)
  36. for epoch in range(20):
  37.     for batch_id in range(2):
  38.         out = exe.run(
  39.             main_prog,
  40.             feed={
  41.                 'x': np.random.randn(3, 4, 5).astype('float32'),
  42.                 'y': np.random.randn(3, 4, 5).astype('float32')
  43.             },
  44.             fetch_list=loss.name)
  45.         scheduler.step()    # If you update learning rate each step
  46.   # 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。