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')

当指标停止改进时降低学习率。

模型通常受益于在学习停滞时将学习率降低 2-10 倍。此调度器读取指标数量，如果在 ‘patience’ 个 epoch 内没有看到改进，则降低学习率。

参数

• optimizer (Optimizer) – 封装的优化器。

• mode (str) – min, max 之一。在 min 模式下，当监控的量停止减小时，lr 将会降低；在 max 模式下，当监控的量停止增大时，将会降低。默认值：‘min’。

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

• patience (int) – 在学习率降低之前，允许没有改进的 epoch 数量。例如，考虑没有耐心 (patience = 0) 的情况。在第一个 epoch 中，建立基线，并且由于没有先前的基线，始终被认为是好的。在第二个 epoch 中，如果性能比基线差，我们就会认为这是一个不可容忍的 epoch。由于不可容忍的 epoch 计数 (1) 大于耐心水平 (0)，因此学习率在本 epoch 结束时降低。从第三个 epoch 开始，如果性能比基线差，则学习率在每个 epoch 结束时继续降低。如果性能提高或保持不变，则不调整学习率。默认值：10。

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

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

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

• min_lr (float 或 list) – 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 (float) – 应用于 lr 的最小衰减。如果新的 lr 和旧的 lr 之间的差异小于 eps，则忽略更新。默认值：1e-8。

• verbose (bool | str) –

  如果 True，则为每次更新向 stdout 打印消息。默认值：False。

  在 2.2 版本中已弃用: verbose 已弃用。请使用 get_last_lr() 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。

在 2.4 版本中已弃用: print_lr() 已弃用。请使用 get_last_lr() 访问学习率。

step(metrics, epoch=None)

执行一步。