.. py:class:: paddle.optimizer.lr.PolynomialDecay(learning_rate, decay_steps, end_lr=0.0001, power=1.0, cycle=False, last_epoch=-1, verbose=False)
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:
decay\_steps & = decay\_steps * math.ceil(\frac{epoch}{decay\_steps})
new\_learning\_rate & = (learning\_rate-end\_lr)*(1-\frac{epoch}{decay\_steps})^{power}+end\_lr
若 cycle 为 False,则计算公式为:
epoch & = min(epoch, decay\_steps)
new\_learning\_rate & = (learning\_rate-end\_lr)*(1-\frac{epoch}{decay\_steps})^{power}+end\_lr
- 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,power 应该大于 0.0,才能使学习率衰减。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
。
用于调整学习率的 PolynomialDecay
实例对象。
COPY-FROM: paddle.optimizer.lr.PolynomialDecay
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。