CosineAnnealingWarmRestarts

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

使用餘弦退火策略設定每個引數組的學習率。

$\eta_{max}$ 是初始學習率，$T_{cur}$ 是自上次重啟以來的 epoch 數，而 $T_{i}$ 是 SGDR 中兩次熱重啟之間的 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，設為 $\eta_t = \eta_{min}$。當重啟後 $T_{cur}=0$ 時，設為 $\eta_t=\eta_{max}$。

此策略在 SGDR: Stochastic Gradient Descent with Warm Restarts 中提出。

引數

• optimizer (Optimizer) – 包裝的最佳化器。

• T_0 (int) – 第一次重啟前的迭代次數。

• T_mult (int, optional) – 每次重啟後 $T_{i}$ 增加的因子。預設為 1。

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

• last_epoch (int, optional) – 上一個 epoch 的索引。預設為 -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()

計算初始學習率。

load_state_dict(state_dict)

載入排程器的狀態。

引數

state_dict (dict) – 排程器狀態。應為呼叫 state_dict() 返回的物件。

state_dict()

以 dict 形式返回排程器的狀態。

它包含 self.__dict__ 中除最佳化器之外的所有變數的條目。

step(epoch=None)

可以在每次批次更新後呼叫 Step。

示例

>>> 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)

此函式可以交錯呼叫。

示例

>>> 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)