mindspore.nn.ExponentialDecayLR

class mindspore.nn.ExponentialDecayLR(learning_rate, decay_rate, decay_steps, is_stair=False)

基于指数衰减函数计算学习率。

对于当前step，计算学习率的公式为：

\[decayed\_learning\_rate = learning\_rate * decay\_rate^{p}\]

其中，

\[p = \frac{current\_step}{decay\_steps}\]

如果 is_stair 为True，则公式为：

\[p = floor(\frac{current\_step}{decay\_steps})\]

参数：

• learning_rate (float) - 学习率的初始值。

• decay_rate (float) - 衰减率。

• decay_steps (int) - 进行衰减的step数。

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

输入：

• global_step (Tensor) - 当前step数，即上述公式中的 \(current\_step\)。

输出：

标量Tensor。当前step的学习率值，shape为 \(()\)。

异常：

• TypeError - learning_rate 或 decay_rate 不是float。

• TypeError - decay_steps 不是int或 is_stair 不是bool。

• ValueError - decay_steps 小于1。

• ValueError - learning_rate 或 decay_rate 小于或等于0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>>
>>> learning_rate = 0.1
>>> decay_rate = 0.9
>>> decay_steps = 4
>>> global_step = Tensor(2, mindspore.int32)
>>> exponential_decay_lr = nn.ExponentialDecayLR(learning_rate, decay_rate, decay_steps)
>>> lr = exponential_decay_lr(global_step)
>>> net = nn.Dense(2, 3)
>>> optim = nn.SGD(net.trainable_params(), learning_rate=lr)