文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindformers.core.LearningRateWiseLayer

class mindformers.core.LearningRateWiseLayer(base_lr, lr_scale)

学习率分层模块。

这种方法允许每层根据其特定需求调整学习率，从而实现更高效和有效的训练。每层的学习率由基准学习率与该层特定的缩放因子调节决定。

最初，每层的学习率基于线性缩放策略设定：

$${\eta }_{t,l}={\eta }_{\text{base}}\times {\alpha }_l$$

其中 ${\eta }_{t,l}$ 是在时间 $t$ 时层 $l$ 的学习率， ${\eta }_{\text{base}}$ 是基准学习率， ${\alpha }_l$ 是层 $l$ 的缩放因子。

随着训练的进行，每层的学习率按照以下余弦退火调度进行调整：

$${\eta }_{t,l}={\eta }_{\text{end}}+\frac{1}{2}({\eta }_{\text{base}}\times {\alpha }_l-{\eta }_{\text{end}})(1+\cos \left(\frac{T_{cur}}{T_{max}}\pi \right))$$

其中 $T_{cur}$ 是自学习率上次重置以来完成的epoch数量， $T_{max}$ 是下一次重置前的总epoch数。 ${\eta }_{\text{end}}$ 代表训练结束时的最小学习率。

参数：

• base_lr (mindspore.nn.learning_rate_schedule.LearningRateSchedule) - 基准学习率调度器。

• lr_scale (float) - 学习率缩放值。

输入：

• global_step (int) - 全局步数。

输出：

学习率。

样例：

>>> import mindspore as ms
>>> from mindformers.core import LinearWithWarmUpLR
>>> from mindformers.core import LearningRateWiseLayer
>>>
>>> ms.set_context(mode=ms.GRAPH_MODE)
>>> total_steps = 20
>>> warmup_steps = 10
>>> learning_rate = 0.005
>>>
>>> linear_warmup = LinearWithWarmUpLR(learning_rate=learning_rate,
...                                    warmup_steps=warmup_steps,
...                                    total_steps=total_steps)
>>> learning_rate_wise_layer = LearningRateWiseLayer(linear_warmup, 0.5)
>>> print(learning_rate_wise_layer(Tensor(1)))
0.00025
>>> print(learning_rate_wise_layer(Tensor(15)))
0.00125