mindspore.nn.polynomial_decay_lr
- mindspore.nn.polynomial_decay_lr(learning_rate, end_learning_rate, total_step, step_per_epoch, decay_epoch, power, update_decay_epoch=False)[源代码]
基于多项式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:
\[decayed\_learning\_rate[i] = (learning\_rate - end\_learning\_rate) * (1 - tmp\_epoch / tmp\_decay\_epoch)^{power} + end\_learning\_rate\]其中,
\[tmp\_epoch = \min(current\_epoch, decay\_epoch)\]\[current\_epoch=floor(\frac{i}{step\_per\_epoch})\]\[tmp\_decay\_epoch = decay\_epoch\]如果 update_decay_epoch 为
True
,则每个epoch更新 \(tmp\_decay\_epoch\) 的值。公式为:\[tmp\_decay\_epoch = decay\_epoch * ceil(current\_epoch / decay\_epoch)\]- 参数:
learning_rate (float) - 学习率的初始值。
end_learning_rate (float) - 学习率的最终值。
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。
power (float) - 多项式的幂,必须大于0。
update_decay_epoch (bool) - 如果为
True
,则更新 decay_epoch 。默认值:False
。
- 返回:
list[float]。列表的大小为 total_step。
- 异常:
TypeError - learning_rate 或 end_learning_rate 或 power 不是float。
TypeError - total_step 或 step_per_epoch 或 decay_epoch 不是int。
TypeError - update_decay_epoch 不是bool。
ValueError - learning_rate 或 power 小于等于0。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore.nn as nn >>> >>> lr = 0.1 >>> end_learning_rate = 0.01 >>> total_step = 6 >>> step_per_epoch = 2 >>> decay_epoch = 2 >>> power = 0.5 >>> lr = nn.polynomial_decay_lr(lr, end_learning_rate, total_step, step_per_epoch, decay_epoch, power) >>> net = nn.Dense(2, 3) >>> optim = nn.SGD(net.trainable_params(), learning_rate=lr)