mindspore.nn.exponential_decay_lr

mindspore.nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch, is_stair=False)

基于指数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：

\[decayed\_learning\_rate[i] = learning\_rate * decay\_rate^{\frac{current\_epoch}{decay\_epoch}}\]

其中 \(current\_epoch=floor(\frac{i}{step\_per\_epoch})\)。

参数：

• learning_rate (float) - 学习率的初始值。

• decay_rate (float) - 衰减率。

• 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。

• is_stair (bool) - 如果为True，则学习率每 decay_epoch 次衰减一次。默认值： False 。

返回：

list[float]。列表的大小为 total_step。

异常：

• TypeError - total_step 或 step_per_epoch 或 decay_epoch 不是int。

• TypeError - is_stair 不是bool。

• TypeError - learning_rate 或 decay_rate 不是float。

• ValueError - learning_rate 或 decay_rate 小于等于0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.nn as nn
>>>
>>> learning_rate = 0.1
>>> decay_rate = 0.9
>>> total_step = 6
>>> step_per_epoch = 2
>>> decay_epoch = 1
>>> lr = nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch)
>>> net = nn.Dense(2, 3)
>>> optim = nn.SGD(net.trainable_params(), learning_rate=lr)