linear_lr_warmup¶
该OP使用学习率优化策略-线性学习率热身(warm up)对学习率进行初步调整。在正常调整学习率之前，先逐步增大学习率，具体原理可参考：Bag of Tricks for Image Classification with Convolutional Neural Networks
当训练步数（global_step）小于热身步数（warmup_steps）时，学习率lr按如下方式更新：
linear_step = end_lr - start_lr
lr = start_lr + linear_step * (global_step / warmup_steps)
其中start_lr为warm up起始学习率，end_lr为最终学习率；
当训练步数（global_step）大于等于热身步数（warmup_steps）时，学习率lr为：
lr = learning_rate
其中learning_rate为热身之后的学习率。
参数¶
learning_rate （Variable|float） - 热身之后的学习率，它可以是数据类型为float32的1D-Tensor或单个浮点数。
warmup_steps （int） - 进行warm up过程的步数。
start_lr （float） - warm up的起始学习率。
end_lr （float） - warm up的最终学习率。
返回¶
进行热身衰减后的学习率，数据类型与learning_rate相同。
返回类型¶
Variable
代码示例¶
import paddle.fluid as fluid
boundaries = [100, 200]
lr_steps = [0.1, 0.01, 0.001]
learning_rate = fluid.layers.piecewise_decay(boundaries, lr_steps) #case1, Tensor
#learning_rate = 0.1 #case2, float32
warmup_steps = 50
start_lr = 1. / 3.
end_lr = 0.1
decayed_lr = fluid.layers.linear_lr_warmup(learning_rate,
warmup_steps, start_lr, end_lr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
out, = exe.run(fetch_list=[decayed_lr.name])
print(out)
# case1: [0.33333334]
# case2: [0.33333334]