快捷方式

ChainedScheduler

class torch.optim.lr_scheduler.ChainedScheduler(schedulers, optimizer=None)[source]

将学习率调度器列表链接在一起。

接收一系列可链接的学习率调度器,并在只需一次调用 step() 时连续调用它们的 step() 函数。

参数
  • schedulers (序列) – 链接的调度器序列。

  • optimizer (优化器, 可选) – 包装的优化器。默认值:None。

示例

>>> # Assuming optimizer uses lr = 1. for all groups
>>> # lr = 0.09     if epoch == 0
>>> # lr = 0.081    if epoch == 1
>>> # lr = 0.729    if epoch == 2
>>> # lr = 0.6561   if epoch == 3
>>> # lr = 0.59049  if epoch >= 4
>>> scheduler1 = ConstantLR(optimizer, factor=0.1, total_iters=2)
>>> scheduler2 = ExponentialLR(optimizer, gamma=0.9)
>>> scheduler = ChainedScheduler([scheduler1, scheduler2], optimizer=optimizer)
>>> for epoch in range(100):
>>>     train(...)
>>>     validate(...)
>>>     scheduler.step()
get_last_lr()

返回当前调度器计算的最后一个学习率。

返回类型

列表[浮点数]

get_lr()

使用调度器的可链接形式计算学习率。

返回类型

列表[浮点数]

load_state_dict(state_dict)[source]

加载调度器的状态。

参数

state_dict (字典) – 调度器状态。应为 state_dict() 调用的返回值。

print_lr(is_verbose, group, lr, epoch=None)

显示当前学习率。

已弃用,自版本 2.4 起: print_lr() 已弃用。请使用 get_last_lr() 访问学习率。

state_dict()[source]

将调度器的状态作为 dict 返回。

它包含 self.__dict__ 中每个变量的条目,这些变量不是优化器。包装的调度器状态也将被保存。

step()[source]

执行一步。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源