mindspore.nn.polynomial_decay_lr

mindspore.nn.polynomial_decay_lr(learning_rate, end_learning_rate, total_step, step_per_epoch, decay_epoch, power, update_decay_epoch=False)

基于多项式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：

\[decayed\_learning\_rate[i] = (learning\_rate - end\_learning\_rate) * (1 - tmp\_epoch / tmp\_decay\_epoch)^{power} + end\_learning\_rate\]

其中，

\[tmp\_epoch = \min(current\_epoch, decay\_epoch)\]

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

\[tmp\_decay\_epoch = decay\_epoch\]

如果 update_decay_epoch 为 True ，则每个epoch更新 tmp_decay_epoch 的值。公式为：

\[tmp\_decay\_epoch = decay\_epoch * ceil(current\_epoch / decay\_epoch)\]

参数：

• learning_rate (float) - 学习率的初始值。

• end_learning_rate (float) - 学习率的最终值。

• 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。

• power (float) - 多项式的幂，必须大于0。

• update_decay_epoch (bool) - 如果为 True ，则更新 decay_epoch 。默认值： False 。

返回：

list[float]。列表的大小为 total_step。

异常：

• TypeError - learning_rate 或 end_learning_rate 或 power 不是float。

• TypeError - total_step 或 step_per_epoch 或 decay_epoch 不是int。

• TypeError - update_decay_epoch 不是bool。

• ValueError - learning_rate 或 power 小于等于0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.nn as nn
>>>
>>> lr = 0.1
>>> end_learning_rate = 0.01
>>> total_step = 6
>>> step_per_epoch = 2
>>> decay_epoch = 2
>>> power = 0.5
>>> lr = nn.polynomial_decay_lr(lr, end_learning_rate, total_step, step_per_epoch, decay_epoch, power)
>>> net = nn.Dense(2, 3)
>>> optim = nn.SGD(net.trainable_params, learning_rate=lr)