余弦退火学习率

class torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0.0, last_epoch=-1, verbose='deprecated')

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，而 $T_{cur}$ 是 SGDR 中自上次重启以来经过的 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，由于调度是递归定义的，因此学习率可以由其他运算符在此调度程序外部同时修改。如果学习率仅由此调度程序设置，则每个步骤的学习率变为

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

该公式在SGDR: Stochastic Gradient Descent with Warm Restarts中提出。请注意，这仅实现了SGDR的余弦退火部分，而不是重启部分。

参数

• optimizer (优化器) – 被包装的优化器。

• T_max (整数) – 最大迭代次数。

• eta_min (浮点数) – 最小学习率。默认值：0。

• last_epoch (整数) – 上一轮的索引。默认值：-1。

• verbose (布尔值 或 字符串) –

  如果为True，则为每次更新打印一条消息到标准输出。默认值：False。

  自版本 2.2 起已弃用： verbose 已弃用。请使用 get_last_lr() 来访问学习率。

get_last_lr()

返回当前调度器最后计算的学习率。

返回类型

列表[浮点数]

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 (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。

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

state_dict()

以 dict 的形式返回调度器的状态。

它包含 self.__dict__ 中每个变量的条目，这些变量不是优化器。

step(epoch=None)

执行一步。