余弦退火学习率 ¶

class torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0.0, last_epoch=-1)[source][source] ¶

使用余弦退火调度器设置每个参数组的 学习率。

$\eta_{max}$ 设置为初始学习率， $T_{cur}$ 是自上次重启以来 SGDR 中的 epoch 数量：

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

当 last_epoch=-1 时，将初始学习率设置为 lr。请注意，由于调度器是递归定义的，学习率可以同时被其他操作员在调度器外部修改。如果学习率仅由本调度器设置，则每个步骤的学习率变为：

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

这在 SGDR（随机梯度下降与暖重启）中被提出。注意，这仅实现了 SGDR 的余弦退火部分，而不是重启。

参数:

• 优化器（Optimizer）- 包装的优化器。

• T_max（整数）- 最大迭代次数。

• eta_min (浮点数) – 最小学习率。默认：0。

• last_epoch (整数) – 上一个训练周期的索引。默认：-1。

get_last_lr()[source]

返回当前调度器计算的最后学习率。

返回类型:

list[float]

get_lr()

获取每个参数组的 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。

state_dict()

返回调度器的状态作为 dict 。

包含了 self.__dict__中每个非优化器的变量条目。

step(epoch=None)

执行一步操作。