mindspore.experimental.optim.lr_scheduler.CyclicLR

class mindspore.experimental.optim.lr_scheduler.CyclicLR(optimizer, base_lr, max_lr, step_size_up=2000, step_size_down=None, mode='triangular', gamma=1.0, scale_fn=None, scale_mode='cycle', last_epoch=- 1)

根据循环学习率策略（CLR）设置每个参数组的学习率。该策略以恒定频率在两个边界之间循环学习率值，详情请参考论文 Cyclical Learning Rates for Training Neural Networks。两个边界之间的距离可以在每次迭代或每个周期的基础上缩放。

正如论文中提出的，该类（对学习率变化幅度）有三个内置计算策略：

• “triangular”：没有幅度缩放的基本三角循环。

• “triangular2”：每个循环将初始幅度缩放一半的基本三角循环。

• “exp_range”: 在每个迭代中按照 \(\text{gamma}^{\text{cycle iterations}}\) 缩放初始幅度。

警告

这是一个实验性的动态学习率接口，需要和 mindspore.experimental.optim 下的接口配合使用。

参数：

• optimizer (mindspore.experimental.optim.Optimizer) - 优化器实例。

• base_lr (Union(float, list)) - 初始学习率，也是优化器参数组中学习率的下界值。

• max_lr (Union(float, list)) - 每个参数组的学习率上界值。在功能上，（max_lr - base_lr）定义了学习率周期变化的幅度。周期内，当前的学习率的计算方式为base_lr和振幅乘以缩放系数的加和。

• step_size_up (int, 可选) - 递增半周期内的训练迭代次数。默认值：2000。

• step_size_down (int, 可选) - 递减半周期内的训练迭代次数。如果 step_size_down 为None，则设置为 step_size_up 的值。默认值：None。

• mode (str, 可选) - “triangular”, “triangular2” 或 “exp_range”。对应的计算策略详见上文，如果 scale_fn 不是None，则此参数无效。默认值："triangular"。

• gamma (float, 可选) - ‘exp_range’ 模式下的常量，计算方式为 gamma**(cycle iterations)。默认值：1.0。

• scale_fn (function, 可选) - 由单个参数的 lambda 匿名函数定义的自定义扩展策略，其中对所有的 x >= 0，0 <= scale_fn（x） <= 1 。如果设定了此参数，则 mode 设定值将被忽略。默认值：None。

• scale_mode (str, 可选) - 'cycle' 或 'iterations'。定义 scale_fn 是按周期数还是周期内的迭代次数（当前周期内训练迭代的次数）。若传入不合法输入，将默认使用 'iterations' 模式。默认值： 'cycle'。

• last_epoch (int，可选) - 当前scheduler的 step() 方法的执行次数。默认值： -1。

异常：

• ValueError - base_lr 为list或tuple时，长度不等于参数组数目。

• ValueError - max_lr 为list或tuple时，长度不等于参数组数目。

• ValueError - mode 不是['triangular', 'triangular2', 'exp_range']且 scale_fn 为 None。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore.experimental import optim
>>> from mindspore import nn
>>> net = nn.Dense(3, 2)
>>> optimizer = optim.SGD(net.trainable_params(), lr=0.1, momentum=0.9)
>>> scheduler = optim.lr_scheduler.CyclicLR(optimizer, base_lr=0.01, max_lr=0.1)
>>> expect_list = [[0.010045], [0.01009], [0.010135], [0.01018], [0.010225]]
>>>
>>> for i in range(5):
...     scheduler.step()
...     current_lr = scheduler.get_last_lr()
...     print(current_lr)
[Tensor(shape=[], dtype=Float32, value= 0.010045)]
[Tensor(shape=[], dtype=Float32, value= 0.01009)]
[Tensor(shape=[], dtype=Float32, value= 0.010135)]
[Tensor(shape=[], dtype=Float32, value= 0.01018)]
[Tensor(shape=[], dtype=Float32, value= 0.010225)]