mindformers.core.CosineWithRestartsAndWarmUpLR
- class mindformers.core.CosineWithRestartsAndWarmUpLR(learning_rate: float, warmup_steps: int = None, total_steps: int = None, num_cycles: float = 1., lr_end: float = 0., warmup_lr_init: float = 0., warmup_ratio: float = None, decay_steps: int = None, **kwargs)[源代码]
余弦重启与预热学习率。
使用余弦重启与预热调度设置每个参数组的学习率,其中 \(\eta_{max}\) 被设为初始学习率, \(T_{cur}\) 表示自上次重启以来的步数:
\[\begin{aligned} \eta_t & = \eta_{\text{min}} + \frac{1}{2}(\eta_{\text{max}} - \eta_{\text{min}})\left(1 + \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right), & T_{cur} \neq (2k+1)T_{i}; \ \eta_{t+1} & = \eta_{\text{max}}, & T_{cur} = (2k+1)T_{i}. \end{aligned}\]当 last_epoch=-1 时,初始学习率设置为 lr 。在重启阶段,学习率从最大值重新开始,最终逐渐减小到设定的最小值。这种策略有助于在训练过程中避免陷入局部最优解并加速收敛。
该方法在 SGDR: Stochastic Gradient Descent with Warm Restarts 中提出,扩展了余弦退火的概念以实现多次重启。
- 参数:
learning_rate (float) - 学习率的初始值。
warmup_steps (int) - 预热步骤数。默认值:
None
。total_steps (int) - 总步数。默认值:
None
。num_cycles (float) - 余弦调度中的波形数量(默认为仅遵循半个余弦从最大值下降到 0)。默认值:
1.
。lr_end (float) - 学习率的最终值。默认值:
0.
。warmup_lr_init (float) - 预热步骤中的初始学习率。默认值:
0.
。warmup_ratio (float) - 预热所用的总训练步骤的比例。默认值:
None
。decay_steps (int) - 衰减步骤的数量。默认值:
None
。
- 输入:
global_step (int) - 全局步数。
- 输出:
学习率。
样例:
>>> import mindspore as ms >>> from mindformers.core import CosineWithRestartsAndWarmUpLR >>> >>> ms.set_context(mode=ms.GRAPH_MODE) >>> total_steps = 20 >>> warmup_steps = 10 >>> learning_rate = 0.005 >>> >>> cosine_warmup_restart = CosineWithRestartsAndWarmUpLR(learning_rate=learning_rate, ... warmup_steps=warmup_steps, ... total_steps=total_steps) >>> print(cosine_warmup_restart(1)) 0.0005 >>> print(cosine_warmup_restart(15)) 0.0024999997