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。

过程可以描述如下:

  1. boundaries = [100, 200]
  2. values = [1.0, 0.5, 0.1]
  3. learning_rate = 1.0 if epoch < 100
  4. learning_rate = 0.5 if 100 <= epoch < 200
  5. learning_rate = 0.1 if 200 <= epoch
  6. ...

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

  1. import paddle
  2. import numpy as np
  3. # train on default dynamic graph mode
  4. linear = paddle.nn.Linear(10, 10)
  5. scheduler = paddle.optimizer.lr.PiecewiseDecay(boundaries=[3, 6, 9], values=[0.1, 0.2, 0.3, 0.4], verbose=True)
  6. sgd = paddle.optimizer.SGD(learning_rate=scheduler, parameters=linear.parameters())
  7. for epoch in range(20):
  8. for batch_id in range(2):
  9. x = paddle.uniform([10, 10])
  10. out = linear(x)
  11. loss = paddle.mean(out)
  12. loss.backward()
  13. sgd.step()
  14. sgd.clear_gradients()
  15. scheduler.step() # If you update learning rate each step
  16. # scheduler.step() # If you update learning rate each epoch
  17. # train on static graph mode
  18. paddle.enable_static()
  19. main_prog = paddle.static.Program()
  20. start_prog = paddle.static.Program()
  21. with paddle.static.program_guard(main_prog, start_prog):
  22. x = paddle.static.data(name='x', shape=[None, 4, 5])
  23. y = paddle.static.data(name='y', shape=[None, 4, 5])
  24. z = paddle.static.nn.fc(x, 100)
  25. loss = paddle.mean(z)
  26. scheduler = paddle.optimizer.lr.PiecewiseDecay(boundaries=[3, 6, 9], values=[0.1, 0.2, 0.3, 0.4], verbose=True)
  27. sgd = paddle.optimizer.SGD(learning_rate=scheduler)
  28. sgd.minimize(loss)
  29. exe = paddle.static.Executor()
  30. exe.run(start_prog)
  31. for epoch in range(20):
  32. for batch_id in range(2):
  33. out = exe.run(
  34. main_prog,
  35. feed={
  36. 'x': np.random.randn(3, 4, 5).astype('float32'),
  37. 'y': np.random.randn(3, 4, 5).astype('float32')
  38. },
  39. fetch_list=loss.name)
  40. scheduler.step() # If you update learning rate each step
  41. # scheduler.step() # If you update learning rate each epoch

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。