CosineAnnealingWarmRestarts

类torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, eta_min=0.0, last_epoch=-1, verbose='deprecated')[源代码]

采用余弦退火调度来设置每个参数组的学习率。

$\eta_{max}$ 设置为初始学习率。$T_{cur}$ 表示自上次重启以来的epoch数量，而$T_{i}$ 则表示SGDR中两次温启动之间的epoch数量：

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

当$T_{cur}=T_{i}$时，将$\eta_t$设置为$\eta_{min}$。重新启动后，如果$T_{cur}=0$，则将$\eta_t$设置为$\eta_{max}$。

该方法在 SGDR: 带暖重启的随机梯度下降 中被提出。

参数

• optimizer (Optimizer) — 包裹后的优化器。

• T_0 (int) – 初始重启前的迭代次数。

• T_mult (int, 可选) – 重试后$T_{i}$增加的因子。默认值：1。

• eta_min (float, 可选) – 最小学习率。默认值为 0。

• last_epoch (int, 可选) – 最后一个纪元的索引。默认值：-1。

• verbose (bool | str) –

  如果设置为True，则会对每次更新在标准输出中打印一条消息。默认值为False。

  自版本 2.2 起已弃用：verbose 已被弃用。请使用 get_last_lr() 来访问学习率。

get_last_lr()

返回当前调度器计算出的最新学习率。

返回类型

List [float]

get_lr()[源代码]

计算初始的学习率。

load_state_dict(state_dict)

加载调度器的状态。

参数

state_dict (dict) – 调度器状态。应为调用state_dict() 返回的对象。

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

显示当前学习率。

自版本 2.4 起已弃用：print_lr() 已被弃用，请使用 get_last_lr() 来访问学习率。

state_dict()

返回调度器的状态，形式为 dict。

它包含了 self.__dict__ 中每个非优化器变量的条目。

step(epoch=None)[源代码]

每次批量更新后都可以调用 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)

此函数可以交替调用。

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)