mindspore.experimental.optim.lr_scheduler.CosineAnnealingLR

class mindspore.experimental.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0.0, last_epoch=- 1)

使用余弦退火对优化器参数组的学习率进行改变。下述公式中， ${\eta }_{max}$ 为初始学习率，${\eta }_{min}$ 为学习率变化的最小值，$T_{max}$ 为余弦函数的半周期，$T_{cur}$ 为当前周期内的迭代数，${\eta }_t$ 为当前学习率。

$$\begin{array}{r}\begin{array}{rlr}{\eta }_t& ={\eta }_{min}+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1+\cos \left(\frac{T_{cur}}{T_{max}}\pi \right)),& T_{cur}\ne (2k+1)T_{max};\\ {\eta }_{t+1}& ={\eta }_t+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1-\cos \left(\frac{1}{T_{max}}\pi \right)),& T_{cur}=(2k+1)T_{max}.\end{array}\end{array}$$

详情请查看 SGDR: Stochastic Gradient Descent with Warm Restarts。

警告

这是一个实验性的动态学习率接口，需要和 mindspore.experimental.optim 下的接口配合使用。

参数：

• optimizer (mindspore.experimental.optim.Optimizer) - 优化器实例。

• T_max (int) - 余弦函数的半周期。

• eta_min (float, 可选) - 学习率的最小值。默认值：0.0。

• last_epoch (int，可选) - 当前scheduler的 step() 方法的执行次数。默认值：-1。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore.experimental import optim
>>> from mindspore import nn
>>> net = nn.Dense(3, 2)
>>> optimizer = optim.SGD(net.trainable_params(), lr=0.1, momentum=0.9)
>>> scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=2)
>>>
>>> for i in range(6):
...     scheduler.step()
...     current_lr = scheduler.get_last_lr()
...     print(current_lr)
[Tensor(shape=[], dtype=Float32, value= 0.05)]
[Tensor(shape=[], dtype=Float32, value= 0)]
[Tensor(shape=[], dtype=Float32, value= 0.05)]
[Tensor(shape=[], dtype=Float32, value= 0.1)]
[Tensor(shape=[], dtype=Float32, value= 0.05)]
[Tensor(shape=[], dtype=Float32, value= 0)]