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.PolynomialWithWarmUpLR

class mindformers.core.PolynomialWithWarmUpLR(learning_rate: float, total_steps: int, warmup_steps: int = None, lr_end: float = 1e-7, power: float = 1.0, warmup_lr_init: float = 0., warmup_ratio: float = None, decay_steps: int = None, **kwargs)

带有预热阶段的多项式衰减学习率。

在训练的初期，学习率从一个较低的初始值 ${\eta }_{\text{warmup}}$ 逐步上升到初始学习率 ${\eta }_{\text{start}}$ 。预热阶段的学习率随步数 $t$ 变化的公式如下：

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

其中， $\text{warmup\_steps}$ 为预热阶段的总步数。

在预热阶段结束后，学习率按照多项式函数逐渐衰减到设定的最终学习率 ${\eta }_{\text{end}}$ 。学习率在总步数 $\text{total\_steps}$ 中的变化可以通过以下公式表示：

$${\eta }_t={\eta }_{\text{end}}+({\eta }_{\text{start}}-{\eta }_{\text{end}})\times {(1-\frac{t-\text{warmup\_steps}}{\text{decay\_steps}})}^{\text{power}}$$

其中， $\text{power}$ 是多项式的幂次，用于控制衰减速度。

该学习率适用于在训练初期需要稳定学习率并在训练后期逐渐降低学习率的场景。它通过在初期防止梯度爆炸并在后期降低学习率，帮助模型在收敛时获得更好的泛化性能。

参数：

• learning_rate (float) - 学习率的初始值。

• total_steps (int) - 总训练步数。

• warmup_steps (int) - 预热阶段的步数。

• lr_end (float) - 学习率的最终值。默认值： 1e-7 。

• power (float) - 多项式的幂次。默认值： 1.0 。

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

• warmup_ratio (float) - 预热阶段所占总训练步数的比例。默认值： None 。

• decay_steps (int) - 衰减阶段的步数，必须小于 total_steps - warmup_steps。如果值为 None ，则衰减步数将为 total_steps - warmup_steps。默认值： None 。

输入：

• global_step (int) - 当前训练步数。

输出：

学习率。

样例：

>>> import mindspore as ms
>>> from mindformers.core import PolynomialWithWarmUpLR
>>>
>>> ms.set_context(mode=ms.GRAPH_MODE)
>>> total_steps = 20
>>> warmup_steps = 10
>>> learning_rate = 0.005
>>> lr_end = 0.0000001
>>>
>>> polynomial_warmup = PolynomialWithWarmUpLR(learning_rate=learning_rate,
...                                            warmup_steps=warmup_steps,
...                                            total_steps=total_steps,
...                                            lr_end=lr_end)
>>> print(polynomial_warmup(1))
0.0005
>>> print(polynomial_warmup(15))
0.0025000498