余弦退火重启 ¶

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

使用余弦退火计划设置每个参数组的学习率。

$\eta_{max}$ 设置为初始学习率， $T_{cur}$ 是上次重启以来的 epoch 数， $T_{i}$ 是 SGDR 中两次预热重启之间的 epoch 数：

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

当 $T_{cur}=T_{i}$ 时，设置 $\eta_t = \eta_{min}$ 。重启后 $T_{cur}=0$ 之后，设置 $\eta_t=\eta_{max}$ 。

已在 SGDR（随机梯度下降带预热重启）中提出。

参数:

• 优化器（Optimizer）- 包装的优化器。

• T_0（整数）- 第一次重启前的迭代次数。

• T_mult（int，可选）- 在重启后增加 $T_{i}$ 的系数。默认：1。

• eta_min（float，可选）- 最小学习率。默认：0。

• last_epoch（int，可选）- 最后一个 epoch 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()

计算初始学习率。

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)

步骤可以在每次批量更新后调用。

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)

此函数可以交错调用。

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)