mindspore.nn.exponential_decay_lr
- mindspore.nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch, is_stair=False)[源代码]
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)