# 比较与torch.optim.lr_scheduler.ExponentialLR的差异
[](https://gitee.com/mindspore/docs/blob/r2.4.10/docs/mindspore/source_zh_cn/note/api_mapping/pytorch_diff/ExponentialDecayLR.md)
## torch.optim.lr_scheduler.ExponentialLR
```python
torch.optim.lr_scheduler.ExponentialLR(
optimizer,
gamma,
last_epoch=-1,
verbose=False
)
```
更多内容详见[torch.optim.lr_scheduler.ExponentialLR](https://pytorch.org/docs/1.8.1/optim.html#torch.optim.lr_scheduler.ExponentialLR)。
## mindspore.nn.exponential_decay_lr
```python
mindspore.nn.exponential_decay_lr(
learning_rate,
decay_rate,
total_step,
step_per_epoch,
decay_epoch,
is_stair=False
)
```
更多内容详见[mindspore.nn.exponential_decay_lr](https://mindspore.cn/docs/zh-CN/r2.4.10/api_python/nn/mindspore.nn.exponential_decay_lr.html#mindspore.nn.exponential_decay_lr)。
## mindspore.nn.ExponentialDecayLR
```python
mindspore.nn.ExponentialDecayLR(
learning_rate,
decay_rate,
decay_steps,
is_stair=False
)
```
更多内容详见[mindspore.nn.ExponentialDecayLR](https://www.mindspore.cn/docs/zh-CN/r2.4.10/api_python/nn/mindspore.nn.ExponentialDecayLR.html#mindspore.nn.ExponentialDecayLR)。
## 差异对比
PyTorch（torch.optim.lr_scheduler.ExponentialLR）：计算方式为 $lr * gamma^{epoch}$ 。使用时，优化器作为输入，通过调用 `step` 方法进行学习率的更新。 `verbose` 为True时，每一次更新打印相关信息。
MindSpore（mindspore.nn.exponential_decay_lr）：计算方式为 $lr * decay\_rate^{p}$ ， `exponential_decay_lr` 预生成学习率列表，将列表传入优化器。
| 分类 | 子类 | PyTorch | MindSpore | 差异 |
| ---- | ----- | ------- | --------- | -------------------- |
| 参数 | 参数1 | optimizer | - | PyTorch应用的优化器，MindSpore无此参数 |
| | 参数2 | gamma | decay_rate | 衰减学习率的参数，功能一致，参数名不同 |
| | 参数3 | last_epoch | - | MindSpore无此参数 |
| | 参数4 | verbose | - | PyTorch `verbose` 为True时，每一次更新打印相关信息。MindSpore无此参数 |
| | 参数5 | | learning_rate | MindSpore设置学习率的初始值 |
| | 参数6 | | total_step | MindSpore的step总数 |
| | 参数7 | | step_per_epoch | MindSpore每个epoch的step数 |
| | 参数8 | - | decay_steps | MindSpore进行衰减的step数 |
| | 参数9 | - | is_stair | MindSpore `is_stair` 为True时，学习率每 `decay_steps` 衰减一次 |
MindSpore（mindspore.nn.ExponentialDecayLR）：计算方式为 $lr * decay\_rate^{p}$ ， `ExponentialDecayLR` 是通过计算图的方式传入优化器中参与训练。
| 分类 | 子类 | PyTorch | MindSpore | 差异 |
| ---- | ----- | ------- | --------- | -------------------- |
| 参数 | 参数1 | optimizer | - | PyTorch应用的优化器，MindSpore无此参数 |
| | 参数2 | gamma | decay_rate | 衰减学习率的参数，功能一致，参数名不同 |
| | 参数3 | last_epoch | - | MindSpore无此参数 |
| | 参数4 | verbose | - | PyTorch的 `verbose` 为True时，每一次更新打印相关信息。MindSpore无此参数 |
| | 参数5 | | learning_rate | MindSpore设置学习率的初始值 |
| | 参数6 | - | decay_steps | MindSpore进行衰减的step数 |
| | 参数7 | - | is_stair | MindSpore `is_stair` 为True时，学习率每 `decay_steps` 衰减一次 |
## 代码示例
```python
# In MindSpore：
import mindspore as ms
from mindspore import nn
# In MindSpore：exponential_decay_lr
learning_rate = 0.1
decay_rate = 0.9
total_step = 6
step_per_epoch = 2
decay_epoch = 1
output = nn.exponential_decay_lr(learning_rate, decay_rate, total_step, step_per_epoch, decay_epoch)
print(output)
# Out
# [0.1, 0.1, 0.09000000000000001, 0.09000000000000001, 0.08100000000000002, 0.08100000000000002]
# In MindSpore：ExponentialDecayLR
learning_rate = 0.1
decay_rate = 0.9
decay_steps = 4
global_step = ms.Tensor(2, ms.int32)
exponential_decay_lr = nn.ExponentialDecayLR(learning_rate, decay_rate, decay_steps)
result = exponential_decay_lr(global_step)
print(result)
# Out
# 0.094868325
# In torch:
import torch
import numpy as np
from torch import optim
model = torch.nn.Sequential(torch.nn.Linear(20, 1))
optimizer = optim.SGD(model.parameters(), 0.1)
exponential_decay_lr = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.9)
myloss = torch.nn.MSELoss()
dataset = [(torch.tensor(np.random.rand(1, 20).astype(np.float32)), torch.tensor([1.]))]
for epoch in range(5):
for input, target in dataset:
optimizer.zero_grad()
output = model(input)
loss = myloss(output.view(-1), target)
loss.backward()
optimizer.step()
exponential_decay_lr.step()
print(exponential_decay_lr.get_last_lr())
# Out
# [0.09000000000000001]
# [0.08100000000000002]
# [0.07290000000000002]
# [0.06561000000000002]
# [0.05904900000000002]
```