MultiplicativeDecay¶

class paddle.optimizer.lr. MultiplicativeDecay ( learning_rate, lr_lambda, last_epoch=- 1, verbose=False ) [源代码] ¶

该接口提供 lambda 函数设置学习率的策略。lr_lambda 为一个 lambda 函数，其通过 epoch 计算出一个因子，该因子会乘以当前学习率。

衰减过程可以参考以下代码：

         learning_rate = 0.5        # init learning_rate
lr_lambda = lambda epoch: 0.95

learning_rate = 0.5        # epoch 0,
learning_rate = 0.475      # epoch 1, 0.5*0.95
learning_rate = 0.45125    # epoch 2, 0.475*0.95
...

        

参数¶

learning_rate （float） - 初始学习率，数据类型为 Python float。

lr_lambda （function）- lr_lambda 为一个 lambda 函数，其通过 epoch 计算出一个因子，该因子会乘以当前学习率。

last_epoch （int，可选）- 上一轮的轮数，重启训练时设置为上一轮的 epoch 数。默认值为 -1，则为初始学习率。

verbose （bool，可选）- 如果是 True，则在每一轮更新时在标准输出 stdout 输出一条信息。默认值为 False 。

返回¶

用于调整学习率的 MultiplicativeDecay 实例对象。

代码示例¶

          import paddle

# train on default dynamic graph mode
linear = paddle.nn.Linear(10, 10)
scheduler = paddle.optimizer.lr.MultiplicativeDecay(learning_rate=0.5, lr_lambda=lambda x:0.95, verbose=True)
sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
for epoch in range(20):
    for batch_id in range(5):
        x = paddle.uniform([10, 10])
        out = linear(x)
        loss = paddle.mean(out)
        loss.backward()
        sgd.step()
        sgd.clear_gradients()
        scheduler.step()    # If you update learning rate each step
  # scheduler.step()        # If you update learning rate each epoch

         

方法¶

step(epoch=None)¶

step 函数需要在优化器的 optimizer.step() 函数之后调用，调用之后将会根据 epoch 数来更新学习率，更新之后的学习率将会在优化器下一轮更新参数时使用。

参数

epoch （int，可选）- 指定具体的 epoch 数。默认值 None，此时将会从-1 自动累加 epoch 数。

返回

无。

代码示例

参照上述示例代码。