OneCycleLR

class torch.optim.lr_scheduler.OneCycleLR(optimizer, max_lr, total_steps=None, epochs=None, steps_per_epoch=None, pct_start=0.3, anneal_strategy='cos', cycle_momentum=True, base_momentum=0.85, max_momentum=0.95, div_factor=25.0, final_div_factor=10000.0, three_phase=False, last_epoch=-1, verbose='deprecated')

根据 1cycle 学习率策略设置每个参数组的学习率。

1cycle 策略将学习率从初始学习率退火到某个最大学习率，然后再从该最大学习率退火到某个远低于初始学习率的最小学习率。该策略最初在论文 Super-Convergence: Very Fast Training of Neural Networks Using Large Learning Rates 中描述。

1cycle 学习率策略在每个批次后更改学习率。step 应该在批次用于训练后调用。

此调度器不可链接。

另请注意，周期中的总步数可以通过以下两种方式之一确定（按优先级顺序列出）

1. 显式提供 total_steps 的值。

2. 提供 epoch 数 (epochs) 和每个 epoch 的步数 (steps_per_epoch)。在这种情况下，总步数通过 total_steps = epochs * steps_per_epoch 推断得出

您必须提供 total_steps 的值，或同时提供 epochs 和 steps_per_epoch 的值。

此调度器的默认行为遵循 fastai 的 1cycle 实现，fastai 声称“未发表的工作表明，仅使用两个阶段可以获得更好的结果”。要模仿原始论文的行为，请设置 three_phase=True。

参数

• optimizer (Optimizer) – 包装的优化器。

• max_lr (float 或 list) – 周期中每个参数组的学习率上限。

• total_steps (int) – 周期中的总步数。请注意，如果此处未提供值，则必须通过提供 epochs 和 steps_per_epoch 的值来推断。默认值：None

• epochs (int) – 要训练的 epoch 数。如果未提供 total_steps 的值，则将其与 steps_per_epoch 一起使用，以推断周期中的总步数。默认值：None

• steps_per_epoch (int) – 每个 epoch 要训练的步数。如果未提供 total_steps 的值，则将其与 epochs 一起使用，以推断周期中的总步数。默认值：None

• pct_start (float) – 用于增加学习率的周期百分比（以步数计）。默认值：0.3

• anneal_strategy (str) – {‘cos’, ‘linear’} 指定退火策略：“cos” 表示余弦退火，“linear” 表示线性退火。默认值：‘cos’

• cycle_momentum (bool) – 如果 True，则动量在 ‘base_momentum’ 和 ‘max_momentum’ 之间与学习率成反比地循环。默认值：True

• base_momentum (float 或 list) – 周期中每个参数组的动量下限。请注意，动量与学习率成反比循环；在周期峰值时，动量为 ‘base_momentum’，学习率为 ‘max_lr’。默认值：0.85

• max_momentum (float 或 list) – 周期中每个参数组的动量上限。从功能上讲，它定义了周期幅度（max_momentum - base_momentum）。请注意，动量与学习率成反比循环；在周期开始时，动量为 ‘max_momentum’，学习率为 ‘base_lr’。默认值：0.95

• div_factor (float) – 通过 initial_lr = max_lr/div_factor 确定初始学习率。默认值：25

• final_div_factor (float) – 通过 min_lr = initial_lr/final_div_factor 确定最小学习率。默认值：1e4

• three_phase (bool) – 如果 True，则使用调度的第三阶段，根据 ‘final_div_factor’ 湮灭学习率，而不是修改第二阶段（前两个阶段将关于 ‘pct_start’ 指示的步骤对称）。

• last_epoch (int) – 上一批次的索引。此参数在恢复训练作业时使用。由于 step() 应该在每个批次之后而不是每个 epoch 之后调用，因此该数字表示计算的批次总数，而不是计算的 epoch 总数。当 last_epoch=-1 时，调度从头开始。默认值：-1

• verbose (bool | str) –

  如果 True，则为每次更新向标准输出打印一条消息。默认值：False。

  Deprecated since version 2.2: verbose 已弃用。请使用 get_last_lr() 访问学习率。

示例

>>> data_loader = torch.utils.data.DataLoader(...)
>>> optimizer = torch.optim.SGD(model.parameters(), lr=1e-4, momentum=0.9)
>>> scheduler = torch.optim.lr_scheduler.OneCycleLR(optimizer, max_lr=0.01, steps_per_epoch=len(data_loader), epochs=10)
>>> for epoch in range(10):
>>>     for batch in data_loader:
>>>         train_batch(...)
>>>         optimizer.step()
>>>         scheduler.step()

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

print_lr(is_verbose, group, lr, epoch=None)

显示当前学习率。

Deprecated since version 2.4: print_lr() 已弃用。请使用 get_last_lr() 访问学习率。

state_dict()

将调度器的状态作为 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)

执行一步。