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.LinearWithWarmUpLR

class mindformers.core.LinearWithWarmUpLR(learning_rate: float, total_steps: int, warmup_steps: int = None, warmup_lr_init: float = 0., warmup_ratio: float = None, **kwargs)

线性预热学习率。

该学习率使用线性预热策略来逐步增加每个参数组的学习率，并在预热阶段结束后按线性方式调整学习率。

在预热阶段，学习率从一个较小的初始值线性增加到基准学习率，公式如下：

$${\eta }_t={\eta }_{\text{warmup}}+t\times \frac{{\eta }_{\text{base}}-{\eta }_{\text{warmup}}}{\text{warmup\_steps}}$$

其中， ${\eta }_{\text{warmup}}$ 是预热阶段的初始学习率， ${\eta }_{\text{base}}$ 是预热阶段结束后的基准学习率。

预热阶段结束后，学习率将按照以下线性调度公式进行调整：

$${\eta }_t={\eta }_{\text{base}}-t\times \frac{{\eta }_{\text{base}}-{\eta }_{\text{end}}}{\text{total\_steps}-\text{warmup\_steps}}$$

其中， ${\eta }_{\text{end}}$ 是训练结束时的最小学习率， $\text{total\_steps}$ 是总的训练步数， $\text{warmup\_steps}$ 是预热阶段的步数。

这种方法允许通过线性预热来平滑地增加学习率，然后在剩余的训练过程中逐步降低学习率，以提高训练的稳定性和效果。

参数：

• learning_rate (float) - 学习率的初始值。

• total_steps (int) - 总步数。

• warmup_steps (int, 可选) - 预热步骤数。默认值： None 。

• warmup_lr_init (float, 可选) - 预热阶段的初始学习率。默认值： 0. 。

• warmup_ratio (float, 可选) - 用于预热的总训练步数比例。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 LinearWithWarmUpLR
>>>
>>> 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)
>>> print(linear_warmup(Tensor(1)))
0.0005
>>> print(linear_warmup(Tensor(15)))
0.0025