mindspore.nn.cosine_decay_lr

mindspore.nn.cosine_decay_lr(min_lr, max_lr, total_step, step_per_epoch, decay_epoch)[源代码]

基于余弦衰减函数计算学习率。每个step的学习率将会被存放在一个列表中。

对于第i步,计算decayed_learning_rate[i]的公式为:

\[decayed\_learning\_rate[i] = min\_lr + 0.5 * (max\_lr - min\_lr) * (1 + cos(\frac{current\_epoch}{decay\_epoch}\pi))\]

其中 \(current\_epoch=floor(\frac{i}{step\_per\_epoch})\)

参数:

  • min_lr (float) - 学习率的最小值。

  • max_lr (float) - 学习率的最大值。

  • total_step (int) - step总数。

  • step_per_epoch (int) - 每个epoch的step数。

  • decay_epoch (int) - 进行衰减的epoch数。

返回:

list[float]。列表大小为 total_step

异常:

  • TypeError - min_lrmax_lr 不是float。

  • TypeError - total_stepstep_per_epochdecay_epoch 不是int。

  • ValueError - max_lr 不大于0或 min_lr 小于0。

  • ValueError - total_stepstep_per_epochdecay_epoch 小于0。

  • ValueError - max_lr 大于或等于 min_lr

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore.nn as nn
>>>
>>> min_lr = 0.01
>>> max_lr = 0.1
>>> total_step = 6
>>> step_per_epoch = 2
>>> decay_epoch = 2
>>> output = nn.cosine_decay_lr(min_lr, max_lr, total_step, step_per_epoch, decay_epoch)
>>> print(output)
[0.1, 0.1, 0.05500000000000001, 0.05500000000000001, 0.01, 0.01]