CosineAnnealingLR

类 torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0.0, last_epoch=-1)

使用余弦退火调度设置每个参数组的学习率。

将 $\eta_{max}$ 设置为初始学习率，将 $T_{cur}$ 设置为自 SGDR 中上次重启以来的 epoch 数。

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

当 last_epoch=-1 时，将初始学习率设置为 lr。请注意，由于调度器是递归定义的，学习率可以同时被此调度器之外的其他操作符修改。如果学习率仅由此调度器设置，则每一步的学习率变为

$$\eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{max}}\pi\right)\right)$$

这在 SGDR: Stochastic Gradient Descent with Warm Restarts 中被提出。请注意，这仅实现了 SGDR 的余弦退火部分，而不包括重启。

参数

• optimizer (Optimizer) – 包装的优化器。

• T_max (int) – 最大迭代次数。

• eta_min (float) – 最小学习率。默认值: 0。

• last_epoch (int) – 上一个 epoch 的索引。默认值: -1。

get_last_lr()

返回当前调度器计算的最后一个学习率。

返回类型

list[float]

get_lr()

检索每个参数组的学习率。

load_state_dict(state_dict)

加载调度器的状态。

参数

state_dict (dict) – 调度器的状态。应该是一个通过调用 state_dict() 返回的对象。

state_dict()

将调度器的状态作为 dict 返回。

它包含 self.__dict__ 中除优化器以外的每个变量的条目。

step(epoch=None)

执行一个步进（step）。