PiecewiseDecay¶

class paddle.optimizer.lr. PiecewiseDecay ( boundaries, values, last_epoch=- 1, verbose=False ) [源代码] ¶

该接口提供分段设置学习率的策略。boundaries 表示学习率变化的边界步数，对应 epoch 的值，values 表示学习率变化的值。

过程可以描述如下：

         boundaries = [100, 200]  # epoch 仅代表当前步数，无实义
values = [1.0, 0.5, 0.1] # 在第[0,100), [100,200), [200,+∞)分别对应 value 中学习率的值

learning_rate = 1.0     if epoch < 100
learning_rate = 0.5     if 100 <= epoch < 200
learning_rate = 0.1     if 200 <= epoch
...

        

参数¶

boundaries (list) - 指定学习率的边界值列表。列表的数据元素为 Python int 类型。

values (list) - 学习率列表。数据元素类型为 Python float 的列表。与边界值列表有对应的关系。

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 PiecewiseDecay 实例对象。

代码示例¶

          import paddle
import numpy as np

# train on default dynamic graph mode
linear = paddle.nn.Linear(10, 10)
scheduler = paddle.optimizer.lr.PiecewiseDecay(boundaries=[3, 6, 9], values=[0.1, 0.2, 0.3, 0.4], 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

# train on static graph mode
paddle.enable_static()
main_prog = paddle.static.Program()
start_prog = paddle.static.Program()
with paddle.static.program_guard(main_prog, start_prog):
    x = paddle.static.data(name='x', shape=[None, 4, 5])
    y = paddle.static.data(name='y', shape=[None, 4, 5])
    z = paddle.static.nn.fc(x, 100)
    loss = paddle.mean(z)
    scheduler = paddle.optimizer.lr.PiecewiseDecay(boundaries=[3, 6, 9], values=[0.1, 0.2, 0.3, 0.4], verbose=True)
    sgd = paddle.optimizer.SGD(learning_rate=scheduler)
    sgd.minimize(loss)

exe = paddle.static.Executor()
exe.run(start_prog)
for epoch in range(20):
    for batch_id in range(5):
        out = exe.run(
            main_prog,
            feed={
                'x': np.random.randn(3, 4, 5).astype('float32'),
                'y': np.random.randn(3, 4, 5).astype('float32')
            },
            fetch_list=loss.name)
        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。

使用本API的教程文档¶

流水线并行