.. 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
- 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
。
用于调整学习率的 CosineAnnealingDecay
实例对象。
COPY-FROM: paddle.optimizer.lr.CosineAnnealingDecay
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。
参照上述示例代码。