CosineAnnealingDecay_cn.rst

CosineAnnealingDecay

.. py:class:: paddle.optimizer.lr.CosineAnnealingDecay(learning_rate, T_max, eta_min=0, last_epoch=-1, verbose=False)

该接口使用 cosine annealing 的策略来动态调整学习率。

\begin{aligned}
    \eta_t & = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1
    + \cos\left(\frac{T_{cur}}{T_{max}}\pi\right)\right),
    & T_{cur} \neq (2k+1)T_{max}; \\
    \eta_{t+1} & = \eta_{t} + \frac{1}{2}(\eta_{max} - \eta_{min})
    \left(1 - \cos\left(\frac{1}{T_{max}}\pi\right)\right),
    & T_{cur} = (2k+1)T_{max}.
\end{aligned}

\eta_{max} 的初始值为 learning_rate， T_{cur} 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论文， 这里只是实现了 cosine annealing 动态学习率，热启训练部分没有实现。

相关论文：SGDR: Stochastic Gradient Descent with Warm Restarts

参数

• learning_rate (float) - 初始学习率，也就是公式中的 \eta_{max}，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 \eta_{min}。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

COPY-FROM: paddle.optimizer.lr.CosineAnnealingDecay

方法

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。