比较与torch.optim.lr_scheduler.ExponentialLR的功能差异

torch.optim.lr_scheduler.ExponentialLR

torch.optim.lr_scheduler.ExponentialLR(
    optimizer,
    gamma,
    last_epoch=-1,
    verbose=False
)

更多内容详见torch.optim.lr_scheduler.ExponentialLR。

mindspore.nn.exponential_decay_lr

mindspore.nn.exponential_decay_lr(
      learning_rate,
      decay_rate,
      total_step,
      step_per_epoch,
      decay_epoch,
      is_stair=False
)

更多内容详见mindspore.nn.exponential_decay_lr。

mindspore.nn.ExponentialDecayLR

mindspore.nn.ExponentialDecayLR(
  learning_rate,
  decay_rate,
  decay_steps,
  is_stair=False
)

更多内容详见mindspore.nn.ExponentialDecayLR。

差异对比

PyTorch（torch.optim.lr_scheduler.ExponentialLR）：计算方式为 \(lr * gamma^{epoch}\) 。使用时，优化器作为输入，通过调用 step 方法进行学习率的更新。 verbose 为True时，每一次更新打印相关信息。

MindSpore（mindspore.nn.exponential_decay_lr）：计算方式为 \(lr * decay\_rate^{p}\) ， exponential_decay_lr 预生成学习率列表，将列表传入优化器。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	optimizer	-	PyTorch应用的优化器，MindSpore无此参数
	参数2	gamma	decay_rate	衰减学习率的参数，功能一致，参数名不同
	参数3	last_epoch	-	MindSpore无此参数
	参数4	verbose	-	PyTorch verbose 为True时，每一次更新打印相关信息。MindSpore无此参数
	参数5		learning_rate	MindSpore设置学习率的初始值
	参数6		total_step	MindSpore的step总数
	参数7		step_per_epoch	MindSpore每个epoch的step数
	参数8	-	decay_steps	MindSpore进行衰减的step数
	参数9	-	is_stair	MindSpore is_stair 为True时，学习率每 decay_steps 衰减一次

MindSpore（mindspore.nn.ExponentialDecayLR）：计算方式为 \(lr * decay\_rate^{p}\) ， ExponentialDecayLR 是通过计算图的方式传入优化器中参与训练。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	optimizer	-	PyTorch应用的优化器，MindSpore无此参数
	参数2	gamma	decay_rate	衰减学习率的参数，功能一致，参数名不同
	参数3	last_epoch	-	MindSpore无此参数
	参数4	verbose	-	PyTorch的 verbose 为True时，每一次更新打印相关信息。MindSpore无此参数
	参数5		learning_rate	MindSpore设置学习率的初始值
	参数6	-	decay_steps	MindSpore进行衰减的step数
	参数7	-	is_stair	MindSpore is_stair 为True时，学习率每 decay_steps 衰减一次

代码示例

# In MindSpore：
import mindspore as ms
from mindspore import nn

# In MindSpore：exponential_decay_lr
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)
# out
# [0.1, 0.1, 0.09000000000000001, 0.09000000000000001, 0.08100000000000002, 0.08100000000000002]

# In MindSpore：ExponentialDecayLR
learning_rate = 0.1
decay_rate = 0.9
decay_steps = 4
global_step = ms.Tensor(2, ms.int32)
exponential_decay_lr = nn.ExponentialDecayLR(learning_rate, decay_rate, decay_steps)
result = exponential_decay_lr(global_step)
print(result)
# out
# 0.094868325

# In torch:
import torch
import numpy as np
from torch import optim

model = torch.nn.Sequential(torch.nn.Linear(20, 1))
optimizer = optim.SGD(model.parameters(), 0.1)
exponential_decay_lr = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.9)
myloss = torch.nn.MSELoss()
dataset = [(torch.tensor(np.random.rand(1, 20).astype(np.float32)), torch.tensor([1.]))]

for epoch in range(5):
    for input, target in dataset:
        optimizer.zero_grad()
        output = model(input)
        loss = myloss(output.view(-1), target)
        loss.backward()
        optimizer.step()
    exponential_decay_lr.step()
    print(exponential_decay_lr.get_last_lr())
# out
# [0.09000000000000001]
# [0.08100000000000002]
# [0.07290000000000002]
# [0.06561000000000002]
# [0.05904900000000002]