ReduceOnPlateau

class paddle.optimizer.lr. ReduceOnPlateau ( learning_rate, mode='min', factor=0.1, patience=10, threshold=1e-4, threshold_mode='rel', cooldown=0, min_lr=0, epsilon=1e-8, verbose=False ) [源代码]

loss 自适应的学习率衰减策略。默认情况下，当 loss 停止下降时，降低学习率。其思想是：一旦模型表现不再提升，将学习率降低 2-10 倍对模型的训练往往有益。

loss 是传入到该类方法 step 中的 metrics 参数，其可以是 float 或者 shape 为[1]的 Tensor 或 numpy.ndarray。如果 loss 停止下降超过 patience 个 epoch，学习率将会衰减为 learning_rate * factor （特殊地，mode 也可以被设置为 'max'，此时逻辑相反）。

此外，每降低一次学习率后，将会进入一个时长为 cooldown 个 epoch 的冷静期，在冷静期内，将不会监控 loss 的变化情况，也不会衰减。在冷静期之后，会继续监控 loss 的上升或下降。

参数

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

  • mode (str，可选) - 'min' 和 'max' 之一。通常情况下，为 'min'，此时当 loss 停止下降时学习率将衰减。默认：'min' 。 （注意：仅在特殊用法时，可以将其设置为 'max'，此时判断逻辑相反，loss 停止上升学习率才衰减）。

  • factor (float，可选) - 学习率衰减的比例。new_lr = origin_lr * factor，它是值小于 1.0 的 float 型数字，默认：0.1。

  • patience (int，可选) - 当 loss 连续 patience 个 epoch 没有下降(对应 mode: 'min')或上升(对应 mode: 'max')时，学习率才会衰减。默认：10。

  • threshold (float，可选) - threshold 和 threshold_mode 两个参数将会决定 loss 最小变化的阈值。小于该阈值的变化将会被忽视。默认：1e-4。

  • threshold_mode (str，可选) - 'rel' 和 'abs' 之一。在 'rel' 模式下，loss 最小变化的阈值是 last_loss * threshold，其中 last_loss 是 loss 在上个 epoch 的值。在 'abs' 模式下，loss 最小变化的阈值是 threshold。默认：'rel' 。

  • cooldown (int，可选) - 在学习率每次衰减之后，会进入时长为 cooldown 个 step 的冷静期。默认：0。

  • min_lr (float，可选) - 最小的学习率。衰减后的学习率最低下界限。默认：0。

  • epsilon (float，可选) - 如果新旧学习率间的差异小于 epsilon，则不会更新。默认值：1e-8。

  • 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 ReduceOnPlateau 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.ReduceOnPlateau(learning_rate=1.0, factor=0.5, patience=5, 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(loss)    # If you update learning rate each step
  # scheduler.step(loss)        # 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.ReduceOnPlateau(learning_rate=1.0, factor=0.5, patience=5, 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(out[0])    # If you update learning rate each step
  # scheduler.step(out[0])        # If you update learning rate each epoch

方法

step(metrics, epoch=None)

step 函数需要在优化器的 optimizer.step() 函数之后调用，其根据传入的 metrics 调整 optimizer 中的学习率，调整后的学习率将会在下一个 step 时生效。

参数

  • metrics (Tensor|numpy.ndarray|float）- 用来判断是否需要降低学习率。如果 loss 连续 patience 个 step 没有下降，将会降低学习率。可以是 Tensor 或者 numpy.array，但是 shape 必须为[1]，也可以是 Python 的 float 类型。

  • 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。