比较与torch.optim.lr_scheduler.StepLR和torch.optim.lr_scheduler.MultiStepLR的功能差异

torch.optim.lr_scheduler.StepLR

torch.optim.lr_scheduler.StepLR(
    optimizer,
    step_size,
    gamma=0.1,
    last_epoch=-1,
    verbose=False
)

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

torch.optim.lr_scheduler.MultiStepLR

torch.optim.lr_scheduler.MultiStepLR(
    optimizer,
    milestones,
    gamma=0.1,
    last_epoch=-1,
    verbose=False
)

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

mindspore.nn.piecewise_constant_lr

mindspore.nn.piecewise_constant_lr(
    milestone,
    learning_rates
)

更多内容详见mindspore.nn.piecewise_constant_lr。

差异对比

PyTorch（torch.optim.lr_scheduler.StepLR）：分段设置学习率，torch.optim.lr_scheduler.StepLR通过传入step_size，每隔固定的step_size，学习率乘以gamma， verbose 为True时，每一次更新打印相关信息。

MindSpore（mindspore.nn.piecewise_constant_lr）：传入milestones的step数值列表和对应的学习率设置值列表，达到step数值，学习率取对应的值。最终返回一个学习率的列表，作为优化器的输入。

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	step_size	milestone	MindSpore分段更新学习率的step列表，PyTorch使用固定的step值
	参数3	gamma	-	PyTorch衰减学习率的参数，MindSpore无此参数
	参数4	last_epoch	-	MindSpore无此参数
	参数5	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6	-	learning_rates	MindSpore设置学习率的列表

PyTorch（torch.optim.lr_scheduler.MultiStepLR）：torch.optim.lr_scheduler.MultiStepLR通过传入milestones的step数值列表，达到step数值，学习率乘以gamma。使用时，优化器作为输入，在训练过程中调用 step 方法进行数值的更新。 verbose 为True时，每一次更新打印相关信息。

MindSpore（mindspore.nn.piecewise_constant_lr）：传入milestones的step数值列表和对应的学习率设置值列表，达到step数值，学习率取对应的值。最终返回一个学习率的列表，作为优化器的输入。

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	milestones	milestone	分段更新学习率的step列表，功能一致，参数名不同
	参数3	gamma	-	PyTorch衰减学习率的参数，MindSpore无此参数
	参数4	last_epoch	-	MindSpore无此参数
	参数5	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6	-	learning_rates	MindSpore设置学习率的列表

代码示例

from mindspore import nn

# In MindSpore：
milestone = [2, 5, 10]
learning_rates = [0.1, 0.05, 0.01]
output = nn.piecewise_constant_lr(milestone, learning_rates)
print(output)
# Out：
# [0.1, 0.1, 0.05, 0.05, 0.05, 0.01, 0.01, 0.01, 0.01, 0.01]


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

model = torch.nn.Sequential(torch.nn.Linear(20, 1))
optimizer = optim.SGD(model.parameters(), 0.1)

# 使用step_lr
step_lr = optim.lr_scheduler.StepLR(optimizer, step_size=2, gamma=0.9)
# 使用multi_step_lr
multi_step_lr = optim.lr_scheduler.MultiStepLR(optimizer, milestones=[30, 80], gamma=0.9)