mindspore.nn.exponential_decay_lr

mindspore.nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch, is_stair=False)[源代码]

基于指数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:

\[decayed\_learning\_rate[i] = learning\_rate * decay\_rate^{\frac{current\_epoch}{decay\_epoch}}\]

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

参数:
  • learning_rate (float) - 学习率的初始值。

  • decay_rate (float) - 衰减率。

  • 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。

  • is_stair (bool) - 如果为True,则学习率每 decay_epoch 次衰减一次。默认值:False。

返回:

list[float]。列表的大小为 total_step

异常:
  • TypeError - total_stepstep_per_epochdecay_epoch 不是int。

  • TypeError - is_stair 不是bool。

  • TypeError - learning_ratedecay_rate 不是float。

  • ValueError - learning_ratedecay_rate 小于等于0。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore.nn as nn
>>>
>>> learning_rate = 0.1
>>> decay_rate = 0.9
>>> total_step = 6
>>> step_per_epoch = 2
>>> decay_epoch = 1
>>> output = nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch)
>>> print(output)
[0.1, 0.1, 0.09000000000000001, 0.09000000000000001, 0.08100000000000002, 0.08100000000000002]