文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述,以帮助我们快速定位问题。

mindspore.nn.PolynomialDecayLR

class mindspore.nn.PolynomialDecayLR(learning_rate, end_learning_rate, decay_steps, power, update_decay_steps=False)[源代码]

基于多项式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_rateend_learning_rate)(1tmp_step/tmp_decay_steps)power+end_learning_rate

其中,

tmp_step=min(current_step,decay_steps)

如果 update_decay_stepstrue ,则每 decay_steps 更新 tmp_decay_steps 的值。公式为:

tmp_decay_steps=decay_stepsceil(current_step/decay_steps)
参数:
  • learning_rate (float) - 学习率的初始值。

  • end_learning_rate (float) - 学习率的最终值。

  • decay_steps (int) - 进行衰减的step数。

  • power (float) - 多项式的幂,必须大于0。

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

输入:
  • global_step (Tensor) - 当前step数,即current_step。shape为 ()

输出:

标量Tensor。当前step的学习率值,shape为 ()

异常:
  • TypeError - learning_rate, end_learning_ratepower 不是float。

  • TypeError - decay_steps 不是int或 update_decay_steps 不是bool。

  • ValueError - end_learning_rate 小于0或 decay_steps 小于1。

  • ValueError - learning_ratepower 小于或等于0。

支持平台:

Ascend GPU

样例:

>>> import mindspore
>>> from mindspore import Tensor, nn
>>>
>>> learning_rate = 0.1
>>> end_learning_rate = 0.01
>>> decay_steps = 4
>>> power = 0.5
>>> global_step = Tensor(2, mindspore.int32)
>>> polynomial_decay_lr = nn.PolynomialDecayLR(learning_rate, end_learning_rate, decay_steps, power)
>>> lr = polynomial_decay_lr(global_step)
>>> net = nn.Dense(2, 3)
>>> optim = nn.SGD(net.trainable_params(), learning_rate=lr)