余弦退火重启学习率

class torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, 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。

$\eta_{max}$ 设置为初始学习率，$T_{cur}$ 是自上次重启以来经过的 epoch 数，而 $T_{i}$ 是 SGDR 中两次重启之间经过的 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，设置 $\eta_t = \eta_{min}$。当 $T_{cur}=0$ 重启后，设置 $\eta_t=\eta_{max}$。

该方法在SGDR: Stochastic Gradient Descent with Warm Restarts中被提出。

参数

• optimizer (优化器) – 被包装的优化器。

• T_0 (int) – 第一次重启之前的迭代次数。

• T_mult (int, 可选) – 重启后 $T_{i}$ 增长的倍数。默认值：1。

• eta_min (float, 可选) – 最小学习率。默认值：0。

• last_epoch (int, 可选) – 上一轮的索引。默认值：-1。

• verbose (bool | str) –

  如果 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()

返回当前调度程序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)

加载调度程序的状态。

参数

state_dict (dict) – 调度程序状态。应为 state_dict() 调用返回的对象。

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()

将调度程序的状态作为 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。

step(epoch=None)

可以在每次批次更新后调用 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)