CosineAnnealingLR

類 torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0.0, last_epoch=-1)

使用餘弦退火排程設定每個引數組的學習率。

將 $\eta_{max}$ 設定為初始學習率，將 $T_{cur}$ 設定為自 SGDR 中上次重啟以來的 epoch 數。

$$\begin{aligned} \eta_t & = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{max}}\pi\right)\right), & T_{cur} \neq (2k+1)T_{max}; \\ \eta_{t+1} & = \eta_{t} + \frac{1}{2}(\eta_{max} - \eta_{min}) \left(1 - \cos\left(\frac{1}{T_{max}}\pi\right)\right), & T_{cur} = (2k+1)T_{max}. \end{aligned}$$

當 last_epoch=-1 時，將初始學習率設定為 lr。請注意，由於排程器是遞迴定義的，學習率可以同時被此排程器之外的其他運算子修改。如果學習率僅由此排程器設定，則每一步的學習率變為

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

這在 SGDR: Stochastic Gradient Descent with Warm Restarts 中被提出。請注意，這僅實現了 SGDR 的餘弦退火部分，而不包括重啟。

引數

• optimizer (Optimizer) – 包裝的最佳化器。

• T_max (int) – 最大迭代次數。

• eta_min (float) – 最小學習率。預設值: 0。

• last_epoch (int) – 上一個 epoch 的索引。預設值: -1。

get_last_lr()

返回當前排程器計算的最後一個學習率。

返回型別

list[float]

get_lr()

檢索每個引數組的學習率。

load_state_dict(state_dict)

載入排程器的狀態。

引數

state_dict (dict) – 排程器的狀態。應該是一個透過呼叫 state_dict() 返回的物件。

state_dict()

將排程器的狀態作為 dict 返回。

它包含 self.__dict__ 中除最佳化器以外的每個變數的條目。

step(epoch=None)

執行一個步進（step）。