线性 LR ¶

class torch.optim.lr_scheduler.LinearLR(optimizer, start_factor=0.3333333333333333, end_factor=1.0, total_iters=5, last_epoch=- 1)

通过线性改变小的乘性因子来衰减每个参数组的学习率。

乘法运算一直进行，直到 epoch 的数量达到预定义的里程碑：total_iters。注意，这种衰减可以与学习率从外部调度器之外的其他变化同时发生。当 last_epoch=-1 时，将初始 lr 设置为 lr。

参数:

• 优化器（Optimizer）- 包装的优化器。

• start_factor（浮点数）- 第一个 epoch 中乘以学习率的数字。乘数因子在后续 epoch 中逐渐变化到 end_factor。默认：1./3。

• end_factor（浮点数）- 线性变化过程结束时乘以学习率的数字。默认：1.0。

• total_iters（整数）- 乘数因子达到 1 的迭代次数。默认：5。

• 最后一个纪元（int）- 最后一个纪元的索引。默认值：-1。

示例

>>> # Assuming optimizer uses lr = 0.05 for all groups
>>> # lr = 0.025    if epoch == 0
>>> # lr = 0.03125  if epoch == 1
>>> # lr = 0.0375   if epoch == 2
>>> # lr = 0.04375  if epoch == 3
>>> # lr = 0.05    if epoch >= 4
>>> scheduler = LinearLR(optimizer, start_factor=0.5, total_iters=4)
>>> for epoch in range(100):
>>>     train(...)
>>>     validate(...)
>>>     scheduler.step()

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。