CosineAnnealingWarmRestarts

class torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, eta_min=0.0, last_epoch=-1, verbose='deprecated')

使用 cosine annealing schedule（餘弦退火排程）來設定每個參數群組的學習率。

$\eta_{max}$ 設定為初始學習率（initial lr），$T_{cur}$ 是自上次重新啟動（restart）以來的 epoch 數，而 $T_{i}$ 是 SGDR 中兩個 warm restarts 之間的 epoch 數。

$$\eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right)$$

當 $T_{cur}=T_{i}$ 時，設定 $\eta_t = \eta_{min}$。當重新啟動後 $T_{cur}=0$ 時，設定 $\eta_t=\eta_{max}$。

已在 SGDR: Stochastic Gradient Descent with Warm Restarts 中提出。

參數

• optimizer (Optimizer) – 包裝的優化器。

• T_0 (int) – 直到第一次重新啟動的迭代次數。

• T_mult (int, optional) – $T_{i}$ 在重新啟動後增加的因子。預設值：1。

• eta_min (float, optional) – 最小學習率。預設值：0。

• last_epoch (int, optional) – 最後一個 epoch 的索引。預設值：-1。

• verbose (bool | str) –

  如果 True，則為每次更新將訊息列印到 stdout。預設值：False。

  Deprecated since version 2.2: verbose 已棄用。請使用 get_last_lr() 訪問學習率。

get_last_lr()

傳回目前排程器計算的最後一個學習率。

傳回類型

List[float]

get_lr()

計算初始學習率。

load_state_dict(state_dict)

載入排程器的狀態。

參數

state_dict (dict) – 排程器狀態。應為呼叫 state_dict() 所回傳的物件。

print_lr(is_verbose, group, lr, epoch=None)

顯示目前的學習率。

自 2.4 版本起已棄用: print_lr() 已棄用。請使用 get_last_lr() 來存取學習率。

state_dict()

以 dict 形式回傳排程器的狀態。

它包含 self.__dict__ 中每個變數的條目，但優化器除外。

step(epoch=None)

Step 可以在每次批次更新後呼叫。

範例

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> iters = len(dataloader)
>>> for epoch in range(20):
>>>     for i, sample in enumerate(dataloader):
>>>         inputs, labels = sample['inputs'], sample['labels']
>>>         optimizer.zero_grad()
>>>         outputs = net(inputs)
>>>         loss = criterion(outputs, labels)
>>>         loss.backward()
>>>         optimizer.step()
>>>         scheduler.step(epoch + i / iters)

此函數可以交錯方式呼叫。

範例

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> for epoch in range(20):
>>>     scheduler.step()
>>> scheduler.step(26)
>>> scheduler.step() # scheduler.step(27), instead of scheduler(20)