mindspore.train.ReduceLROnPlateau

class mindspore.train.ReduceLROnPlateau(monitor='eval_loss', factor=0.1, patience=10, verbose=False, mode='auto', min_delta=0.0001, cooldown=0, min_lr=0)[源代码]

当 monitor 停止改进时降低学习率。

一旦学习停止，模型通常受益于降低2-10倍的学习率。此回调监控训练过程，当在 patience 个epoch范围内指标效果没有变好时，学习率就会降低。

说明

暂不支持分组学习率场景。

参数：

  • monitor (str) - 监控指标。如果是边训练边推理场景，合法的monitor配置值可以为”loss”, “eval_loss”以及实例化 Model 时传入的metric名称；如果在训练时不做推理，合法的monitor配置值为”loss”。当monitor为”loss”时，如果训练网络有多个输出，默认取第一个值为训练损失值。默认值：”eval_loss”。

  • factor (float) - 学习率变化系数，范围在0-1之间。默认值：0.1。

  • patience (int) - moniter 相对历史最优值变好超过 min_delta 视为当前epoch的模型效果有所改善，patience 为等待的无改善epoch的数量，当内部等待的epoch数 self.wait 大于等于 patience 时，训练停止。默认值：10。

  • verbose (bool) - 是否打印相关信息。默认值：False。

  • mode (str) - {‘auto’, ‘min’, ‘max’} 中的一种，’min’模式下将在指标不再减小时改变学习率，’max’模式下将在指标不再增大时改变学习率，’auto’模式将根据当前 monitor 指标的特点自动设置。默认值：”auto”。

  • min_delta (float) - monitor 指标变化的最小阈值，超过此阈值才视为 monitor 的变化。默认值：1e-4。

  • cooldown (int) - 减小学习率后，在接下来的 cooldown 个epoch中不执行操作。默认值：0。

  • min_lr (float) - 学习率最小设定值。默认值：0。

异常：

  • ValueError - 当 mode 不在 {‘auto’, ‘min’, ‘max’} 中。

  • ValueError - 分组学习率或动态学习率场景下，当获取到的学习率不是parameter类型。

  • ValueError - 当传入的 monitor 返回值不是标量。

样例：

说明

运行以下样例之前，需自定义网络LeNet5和数据集准备函数create_dataset。详见 网络构建 和 数据集 Dataset 。

>>> from mindspore import nn
>>> from mindspore.train import Model, ReduceLROnPlateau
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
>>> optim = nn.Momentum(net.trainable_params(), 0.01, 0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics={"acc"})
>>> data_path = './MNIST_Data'
>>> dataset = create_dataset(data_path)
>>> cb = ReduceLROnPlateau(monitor="acc", patience=3, verbose=True)
>>> model.fit(10, dataset, callbacks=cb)
on_train_begin(run_context)[源代码]

训练开始时初始化相关的变量。

参数：
on_train_epoch_end(run_context)[源代码]

训练过程中，若监控指标在等待 patience 个epoch后仍没有改善，则改变学习率。

参数：