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, verbose='deprecated')

当指标停止改善时降低学习率。

模型通常从在学习停滞时将学习率降低 2-10 倍中获益。此调度器读取度量值，如果在“耐心”个时期内没有看到改进，则会降低学习率。

参数

• optimizer (优化器) – 包装的优化器。

• mode (字符串) – “min” 或“max”之一。在“min”模式下，当监控的数量停止下降时，lr 将会降低；在“max”模式下，当监控的数量停止上升时，lr 将会降低。默认值：‘min’。

• factor (浮点数) – 学习率降低的倍数。new_lr = lr * factor。默认值：0.1。

• patience (整数) – 允许的时期数量，在这些时期内没有改进，在此之后学习率将降低。例如，考虑没有耐心（patience = 0）的情况。在第一个时期，建立了基线，并且始终被认为是好的，因为没有之前的基线。在第二个时期，如果性能比基线差，我们认为这是一个不可接受的时期。由于不可接受的时期数（1）大于耐心级别（0），因此在本时期结束时学习率降低。从第三个时期开始，如果性能比基线差，则在本时期结束时学习率继续降低。如果性能提高或保持不变，则不会调整学习率。默认值：10。

• threshold (浮点数) – 用于测量新最佳值的阈值，只关注重大变化。默认值：1e-4。

• threshold_mode (字符串) – “rel” 或 “abs” 之一。在 “rel” 模式下，dynamic_threshold = best * ( 1 + threshold ) 在 “max” 模式下或 best * ( 1 - threshold ) 在 “min” 模式下。在 “abs” 模式下，dynamic_threshold = best + threshold 在 “max” 模式下或 best - threshold 在 “min” 模式下。默认值：‘rel’。

• cooldown (整数) – 降低 lr 后等待的时期数量，之后恢复正常运行。默认值：0。

• min_lr (浮点数 或 列表) – 标量或标量列表。所有参数组或每个组的学习率下限。默认值：0。

• eps (浮点数) – 应用于 lr 的最小衰减。如果新旧 lr 之间的差值小于 eps，则忽略更新。默认值：1e-8。

• verbose (bool | str) –

  如果 True，则为每次更新打印一条消息到标准输出。默认值为 False。

  从 2.2 版开始弃用: verbose 已弃用。请使用 get_last_lr() 来访问学习率。

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()

使用调度器的可链接形式计算学习率。

返回类型

List[float]

load_state_dict(state_dict)

加载调度器的状态。

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

显示当前学习率。

从 2.4 版开始弃用: print_lr() 已弃用。请使用 get_last_lr() 来访问学习率。

step(metrics, epoch=None)

执行一步。