ReduceLROnPlateau

class torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

当某个指标停止提升时，降低学习率。

一旦学习停滞，模型通常会受益于将学习率降低 2-10 倍。该调度器读取一个指标的值，如果在 'patience' 个 epoch 内没有看到提升，则会降低学习率。

参数

• optimizer (Optimizer) – 包裹的优化器。

• mode (str) – min 或 max 之一。在 min 模式下，当监控的指标停止下降时会降低学习率；在 max 模式下，当监控的指标停止增加时会降低学习率。默认值：'min'。

• factor (float) – 学习率降低的因子。new_lr = lr * factor。默认值：0.1。

• patience (int) – 允许没有提升的 epoch 数。在此之后，学习率将降低。例如，考虑没有耐心的情况（patience = 0）。在第一个 epoch 中，建立一个基线，并且始终被认为是好的，因为没有之前的基线。在第二个 epoch 中，如果性能比基线差，则被认为是一个不可容忍的 epoch。由于不可容忍的 epoch 数 (1) 大于耐心水平 (0)，因此在此 epoch 结束时降低学习率。从第三个 epoch 起，如果性能比基线差，则在每个 epoch 结束时继续降低学习率。如果性能改善或保持不变，则不调整学习率。默认值：10。

• threshold (float) – 用于衡量新最优值的阈值，仅关注显著变化。默认值：1e-4。

• threshold_mode (str) – rel 或 abs 之一。在 rel 模式下，在 'max' 模式中 dynamic_threshold = best * ( 1 + threshold )，或在 min 模式中 dynamic_threshold = best * ( 1 - threshold )。在 abs 模式下，在 max 模式中 dynamic_threshold = best + threshold，或在 min 模式中 dynamic_threshold = best - threshold。默认值：'rel'。

• cooldown (int) – 学习率降低后，在恢复正常操作之前等待的 epoch 数。默认值：0。

• min_lr (float or list) – 一个标量或一个标量列表。所有参数组或每个参数组的学习率下限。默认值：0。

• eps (float) – 应用于学习率的最小衰减。如果新旧学习率之间的差异小于 eps，则忽略更新。默认值：1e-8。

示例

>>> optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
>>> scheduler = ReduceLROnPlateau(optimizer, 'min')
>>> for epoch in range(10):
>>>     train(...)
>>>     val_loss = validate(...)
>>>     # Note that step should be called after validate()
>>>     scheduler.step(val_loss)

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()

使用调度器的链式形式计算学习率。

返回类型

list[float]

load_state_dict(state_dict)

加载调度器的状态。

step(metrics, epoch=None)

执行一步。