ReduceLROnPlateau

class torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

当指标停止改进时降低学习率。

模型在学习停滞时通常从减少 2-10 倍的学习率中受益。此调度器读取一个指标量，如果没有在“耐心”数量的 epoch 中看到改进，则降低学习率。

参数:

• 优化器（Optimizer）- 包装的优化器。

• 模式（str）- min 或 max 之一。在 min 模式下，当监控的量停止减少时，lr 将减少；在 max 模式下，当监控的量停止增加时，lr 将减少。默认：'min'。

• 因子（float）- 学习率将减少的因子。new_lr = lr * 因子。默认：0.1。

• 耐心度（int）- 允许在无改进的情况下经过的 epoch 数，之后学习率将降低。例如，考虑没有耐心度（耐心度 = 0）的情况。在第一个 epoch，建立基线，并且总是被认为是好的，因为没有之前的基线。在第二个 epoch，如果性能比基线差，我们称之为不可容忍的 epoch。由于不可容忍的 epoch 数（1）大于耐心度级别（0），学习率将在本 epoch 结束时降低。从第三个 epoch 开始，如果性能比基线差，学习率将在每个 epoch 结束时继续降低。如果性能提高或保持不变，则不调整学习率。默认：10。

• 阈值（float）- 测量新最优值的阈值，仅关注显著变化。默认：1e-4。

• 阈值模式（str）- rel 或 abs 之一。在 rel 模式下，动态阈值 = best * (1 + 阈值) 在‘max’模式下，或 best * (1 - 阈值) 在 min 模式下。在 abs 模式下，动态阈值 = best + 阈值 在 max 模式下，或 best - 阈值 在 min 模式下。默认：'rel'。

• 冷却时间（int）- 在学习率降低后等待恢复正常操作所需的 epoch 数。默认：0。

• min_lr（float 或 list）- 一个标量或标量列表。所有参数组或每个组的最低学习率限制。默认：0。

• eps（float）- 应用到 lr 的最小衰减量。如果新旧学习率之间的差异小于 eps，则更新将被忽略。默认：1e-8。

示例

>>> optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
>>> scheduler = ReduceLROnPlateau(optimizer, 'min')
>>> for epoch in range(10):
>>>     train(...)
>>>     val_loss = validate(...)
>>>     # Note that step should be called after validate()
>>>     scheduler.step(val_loss)

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()

使用调度器的链式形式计算学习率。

返回类型:

list[float]

加载状态字典(state_dict)[source][source] ¶

加载调度器的状态。

step(metrics, epoch=None)[source][source]

执行一步操作。