CosineAnnealingWarmRestarts

class torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, eta_min=0.0, last_epoch=-1)

使用余弦退火策略设置每个参数组的学习率。

$\eta_{max}$ 是初始学习率，$T_{cur}$ 是自上次重启以来的 epoch 数，而 $T_{i}$ 是 SGDR 中两次热重启之间的 epoch 数。

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

当 $T_{cur}=T_{i}$ 时，设为 $\eta_t = \eta_{min}$。当重启后 $T_{cur}=0$ 时，设为 $\eta_t=\eta_{max}$。

此策略在 SGDR: Stochastic Gradient Descent with Warm Restarts 中提出。

参数

• optimizer (Optimizer) – 包装的优化器。

• T_0 (int) – 第一次重启前的迭代次数。

• T_mult (int, optional) – 每次重启后 $T_{i}$ 增加的因子。默认为 1。

• eta_min (float, optional) – 最小学习率。默认为 0。

• last_epoch (int, optional) – 上一个 epoch 的索引。默认为 -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()

计算初始学习率。

load_state_dict(state_dict)

加载调度器的状态。

参数

state_dict (dict) – 调度器状态。应为调用 state_dict() 返回的对象。

state_dict()

以 dict 形式返回调度器的状态。

它包含 self.__dict__ 中除优化器之外的所有变量的条目。

step(epoch=None)

可以在每次批量更新后调用 Step。

示例

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> iters = len(dataloader)
>>> for epoch in range(20):
>>>     for i, sample in enumerate(dataloader):
>>>         inputs, labels = sample['inputs'], sample['labels']
>>>         optimizer.zero_grad()
>>>         outputs = net(inputs)
>>>         loss = criterion(outputs, labels)
>>>         loss.backward()
>>>         optimizer.step()
>>>         scheduler.step(epoch + i / iters)

此函数可以交错调用。

示例

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> for epoch in range(20):
>>>     scheduler.step()
>>> scheduler.step(26)
>>> scheduler.step() # scheduler.step(27), instead of scheduler(20)