mindflow.common.get_warmup_cosine_annealing_lr

mindflow.common.get_warmup_cosine_annealing_lr(lr_init, steps_per_epoch, last_epoch, warmup_epochs=0, warmup_lr_init=0.0, eta_min=1e-06)

基于余弦函数生成衰减学习率数组。如果指定了预热epoch，将通过线性方法对预热epoch进行预热。 对于第 i 步，计算余弦衰减的学习速率decayed_learning_rate[i]的表达式为:

$$decayed\mathrm{\_}learning\mathrm{\_}rate[i]=eta\mathrm{\_}min+0.5\ast (lr\mathrm{\_}init-eta\mathrm{\_}min)\ast (1+cos(\frac{current\mathrm{\_}epoch}{last\mathrm{\_}epoch}\pi ))$$

其中 $current\mathrm{\_}epoch=floor(\frac{i}{steps\mathrm{\_}per\mathrm{\_}epoch})$ .

如果指定了预热epoch，对于预热epoch的第 i 步，预热学习速率的计算表达式warmup_learning_rate[i]为：

$$warmup\mathrm{\_}learning\mathrm{\_}rate[i]=(lr\mathrm{\_}init-warmup\mathrm{\_}lr\mathrm{\_}init)\ast i/warmup\mathrm{\_}steps+warmup\mathrm{\_}lr\mathrm{\_}init$$

参数：

• lr_init (float) - 初始学习速率，正值。

• steps_per_epoch (int) - 每个epoch的步数，正值。

• last_epoch (int) - 总epoch的数量，正值。

• warmup_epochs (int) - 热身epoch的数量，默认： 0。

• warmup_lr_init (float) - 热身初始学习速率，默认： 0.0。

• eta_min (float) - 学习速率最小值，默认： 1e-6。

返回：

Numpy.array，学习率数组。

异常：

• TypeError - 如果 lr_init 或 warmup_lr_init 不是float。

• TypeError - 如果 steps_per_epoch 、 warmup_epochs 或 last_epoch 不是int。

支持平台：

Ascend GPU CPU

样例：

>>> from mindflow import get_warmup_cosine_annealing_lr
>>> lr_init = 0.001
>>> steps_per_epoch = 3
>>> last_epoch = 5
>>> warmup_epochs = 1
>>> lr = get_warmup_cosine_annealing_lr(lr_init, steps_per_epoch, last_epoch, warmup_epochs=warmup_epochs)
>>> print(lr)
[3.3333333e-04 6.6666666e-04 1.0000000e-03 9.0460398e-04 9.0460398e-04
9.0460398e-04 6.5485400e-04 6.5485400e-04 6.5485400e-04 3.4614600e-04
3.4614600e-04 3.4614600e-04 9.6396012e-05 9.6396012e-05 9.6396012e-05]