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