mindspore.experimental.optim.lr_scheduler.ConstantLR

class mindspore.experimental.optim.lr_scheduler.ConstantLR(optimizer, factor=1.0 / 3, total_iters=5, last_epoch=- 1)[源代码]

将每个参数组的学习率按照衰减因子 factor 进行衰减，直到 last_epoch 达到 total_iters。注意，这种衰减可能与外部对于学习率的改变同时发生。

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。
factor (float，可选) - 学习率的衰减因子。默认值：1.0 / 3。
total_iters (int，可选) - 学习率进行衰减的执行次数，当 last_epoch 数达到 total_iters，恢复学习率。默认值：5.
last_epoch (int，可选) - 当前scheduler的 step() 方法的执行次数。默认值：-1。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import nn
>>> from mindspore.experimental import optim
>>> net = nn.Dense(2, 3)
>>> optimizer = optim.Adam(net.trainable_params(), 0.05)
>>> # Assuming optimizer uses lr = 0.05 for all groups
>>> # lr = 0.025   if epoch <4
>>> # lr = 0.05    if epoch >= 4
>>> scheduler = optim.lr_scheduler.ConstantLR(optimizer, factor=0.5, total_iters=4)
>>> for i in range(6):
...     scheduler.step()
...     current_lr = scheduler.get_last_lr()
...     print(current_lr)
[Tensor(shape=[], dtype=Float32, value= 0.025)]
[Tensor(shape=[], dtype=Float32, value= 0.025)]
[Tensor(shape=[], dtype=Float32, value= 0.025)]
[Tensor(shape=[], dtype=Float32, value= 0.05)]
[Tensor(shape=[], dtype=Float32, value= 0.05)]
[Tensor(shape=[], dtype=Float32, value= 0.05)]