快捷方式

CyclicLR

class torch.optim.lr_scheduler.CyclicLR(optimizer, base_lr, max_lr, step_size_up=2000, step_size_down=None, mode='triangular', gamma=1.0, scale_fn=None, scale_mode='cycle', cycle_momentum=True, base_momentum=0.8, max_momentum=0.9, last_epoch=-1)[source][source]

根据循环学习率策略(CLR)设置每个参数组的学习率。

该策略以恒定频率在两个边界之间循环调整学习率,详见论文 用于训练神经网络的循环学习率 (Cyclical Learning Rates for Training Neural Networks)。两个边界之间的距离可以按迭代或按周期的基础进行缩放。

循环学习率策略在每个批次后更改学习率。step 应该在每个批次用于训练后调用。

这个类有三种内置策略,如论文中所述:

  • “triangular”:基本的三角循环,不进行幅度缩放。

  • “triangular2”:基本的三角循环,每个周期将初始幅度减半。

  • “exp_range”:每个周期迭代中将初始幅度按 gammacycle iterations\text{gamma}^{\text{cycle iterations}} 进行缩放的循环。

此实现改编自 GitHub 仓库:bckenstler/CLR

参数
  • optimizer (Optimizer) – 包装的优化器。

  • base_lr (floatlist) – 初始学习率,它是每个参数组在周期中的下边界。

  • max_lr (floatlist) – 每个参数组在周期中的学习率上边界。功能上,它定义了周期的幅度 (max_lr - base_lr)。任何周期的学习率都是 base_lr 加上幅度的某个缩放值;因此,根据缩放函数,可能实际上达不到 max_lr。

  • step_size_up (int) – 周期上升阶段的训练迭代次数。默认值:2000

  • step_size_down (int) – 周期下降阶段的训练迭代次数。如果 step_size_down 为 None,则将其设置为 step_size_up。默认值:None

  • mode (str) – 必须是 {triangular, triangular2, exp_range} 之一。这些值对应于上面详述的策略。如果 scale_fn 不为 None,则忽略此参数。默认值:‘triangular’

  • gamma (float) – ‘exp_range’ 缩放函数中的常数:gamma**(周期迭代次数) 默认值:1.0

  • scale_fn (function) – 自定义缩放策略,由一个单参数 lambda 函数定义,其中对于所有 x >= 0,都有 0 <= scale_fn(x) <= 1。如果指定,则忽略 ‘mode’。默认值:None

  • scale_mode (str) – {‘cycle’, ‘iterations’}。定义 scale_fn 是基于周期数还是周期迭代次数(从周期开始以来的训练迭代次数)进行评估。默认值:‘cycle’

  • cycle_momentum (bool) – 如果为 True,动量将与学习率成反比地在 ‘base_momentum’ 和 ‘max_momentum’ 之间循环。默认值:True

  • base_momentum (floatlist) – 每个参数组在周期中的动量下边界。注意,动量与学习率成反比地循环;在周期的峰值,动量为 ‘base_momentum’,学习率为 ‘max_lr’。默认值:0.8

  • max_momentum (floatlist) – 每个参数组在周期中的动量上边界。功能上,它定义了周期的幅度 (max_momentum - base_momentum)。任何周期的动量都是 max_momentum 减去幅度的某个缩放值;因此,根据缩放函数,可能实际上达不到 base_momentum。注意,动量与学习率成反比地循环;在周期的开始,动量为 ‘max_momentum’,学习率为 ‘base_lr’。默认值:0.9

  • last_epoch (int) – 上一个批次的索引。此参数用于恢复训练任务。由于 step() 应该在每个批次之后调用,而不是在每个 epoch 之后调用,因此此数字表示计算的总 *批次* 数,而不是计算的总 epoch 数。当 last_epoch=-1 时,调度器从头开始。默认值:-1

示例

>>> optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
>>> scheduler = torch.optim.lr_scheduler.CyclicLR(optimizer, base_lr=0.01, max_lr=0.1)
>>> data_loader = torch.utils.data.DataLoader(...)
>>> for epoch in range(10):
>>>     for batch in data_loader:
>>>         train_batch(...)
>>>         scheduler.step()
get_last_lr()[source]

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()[source][source]

计算批次索引处的学习率。

此函数将 self.last_epoch 视为最后一个批次索引。

如果 self.cycle_momentumTrue,此函数会产生更新优化器动量的副作用。

load_state_dict(state_dict)[source][source]

加载调度器的状态。

scale_fn(x)[source][source]

获取缩放策略。

返回类型

float

step(epoch=None)[source]

执行一步。

文档

访问全面的 PyTorch 开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源