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:
\[\begin{split}decayed\_learning\_rate = &(learning\_rate - end\_learning\_rate) *\\ &(1 - tmp\_step / tmp\_decay\_steps)^{power}\\ &+ end\_learning\_rate\end{split}\]其中,
\[tmp\_step= \min(current\_step, decay\_steps)\]如果 update_decay_steps 为
true
,则每 decay_steps 更新 \(tmp\_decay\_steps\) 的值。公式为:\[tmp\_decay\_steps = decay\_steps * ceil(current\_step / decay\_steps)\]- 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_rate 或 power 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_rate 或 power 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)