快捷方式

CosineAnnealingLR

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

使用余弦退火调度设置每个参数组的学习率。

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

ηt=ηmin+12(ηmaxηmin)(1+cos(TcurTmaxπ)),Tcur(2k+1)Tmax;ηt+1=ηt+12(ηmaxηmin)(1cos(1Tmaxπ)),Tcur=(2k+1)Tmax.\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

ηt=ηmin+12(ηmaxηmin)(1+cos(TcurTmaxπ))\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()[源码]

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()[源码][源码]

检索每个参数组的学习率。

load_state_dict(state_dict)[源码]

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()[source]

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)[source]

执行一个步进(step)。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获取问题解答

查看资源