mindspore.nn.cosine_decay_lr

mindspore.nn.cosine_decay_lr(min_lr, max_lr, total_step, step_per_epoch, decay_epoch)

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_lr 或 max_lr 不是float。

• TypeError - total_step 或 step_per_epoch 或 decay_epoch 不是int。

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

• ValueError - total_step 或 step_per_epoch 或 decay_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
>>> lr = nn.cosine_decay_lr(min_lr, max_lr, total_step, step_per_epoch, decay_epoch)
>>> net = nn.Dense(2, 3)
>>> optim = nn.SGD(net.trainable_params, learning_rate=lr)