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.CosineAnnealingLR

class mindformers.core.CosineAnnealingLR(base_lr: float, t_max: int, eta_min: float = 0., **kwargs)

该方法在 SGDR: Stochastic Gradient Descent with Warm Restarts 中提出。注意，这里仅实现了SGDR的余弦退火部分，而不包括重启部分。

请参阅论文 SGDR: Stochastic Gradient Descent with Warm Restarts 。

使用余弦退火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， $T_{cur}$ 表示自上次在SGDR中重启以来的epoch数量：

$$\begin{array}{r}\begin{array}{rlr}{\eta }_t& ={\eta }_{min}+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1+\cos \left(\frac{T_{cur}}{T_{max}}\pi \right)),& T_{cur}\ne (2k+1)T_{max};\\ {\eta }_{t+1}& ={\eta }_t+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1-\cos \left(\frac{1}{T_{max}}\pi \right)),& T_{cur}=(2k+1)T_{max}.\end{array}\end{array}$$

当 last_epoch=-1 时，初始学习率设置为 lr 。请注意，由于调度器是递归定义的，学习率可以同时通过其他操作符在此调度器之外进行修改。如果学习率仅由此调度器设置，则每一步的学习率变为：

$${\eta }_t={\eta }_{min}+\frac{1}{2}({\eta }_{max}-{\eta }_{min})(1+\cos \left(\frac{T_{cur}}{T_{max}}\pi \right))$$

参数：

• base_lr (float) - 初始学习率。

• t_max (int) - 重启周期的最大周期数。

• eta_min (float, 可选) - 学习率的最小值。默认值： 0. 。

输入：

• global_step (int) - 全局步数。

输出：

学习率。

样例：

>>> import mindspore as ms
>>> from mindformers.core import CosineAnnealingLR
>>>
>>> ms.set_context(mode=ms.GRAPH_MODE)
>>> base_lr = 0.005
>>> t_max = 10
>>> eta_min = 0.0000001
>>>
>>> cosine_annealing = CosineAnnealingLR(base_lr=base_lr, t_max=t_max, eta_min=eta_min)
>>> print(cosine_annealing(1))
0.0048776437
>>> print(cosine_annealing(15))
0.0025000498