LinearWarmup¶
- class paddle.optimizer.lr. LinearWarmup ( learning_rate, warmup_steps, start_lr, end_lr, last_epoch=- 1, verbose=False ) [源代码] ¶
该接口提供一种学习率优化策略-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。
当训练步数小于热身步数（warmup_steps）时，学习率 lr 按如下方式更新：
\[lr = start\_lr + (end\_lr - start\_lr) * \frac{epoch}{warmup\_steps}\]
其中 start_lr 是初始学习率，而 end_lr 是最终学习率； 当训练步数大于等于热身步数（warmup_steps）时，学习率 lr 为：
\[lr = learning\_rate\]
其中 learning_rate 为热身之后的学习率，可以是 python 的 float 类型或者 _LRScheduler 的任意子类。
参数¶
learning rate (float|_LRScheduler) - 热启训练之后的学习率，可以是 python 的 float 类型或者
_LRScheduler的任意子类。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。
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 LinearWarmup 实例对象。
代码示例¶
>>> # Example1: train on default dynamic graph mode
>>> import paddle
>>> import numpy as np
>>> # train on default dynamic graph mode
>>> linear = paddle.nn.Linear(10, 10)
>>> scheduler = paddle.optimizer.lr.LinearWarmup(
... learning_rate=0.5, warmup_steps=20, start_lr=0, end_lr=0.5, 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() # If you update learning rate each step
... # scheduler.step() # If you update learning rate each epoch