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¶
>>> # 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.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
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。