CosineAnnealingWarmRestarts

class torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, eta_min=0, last_epoch=- 1, verbose=False) [source]

Устанавливает скорость обучения каждого параметра группы с помощью графика отжига косинуса, где $\eta_{max}$ устанавливается в начальное значение lr, $T_{cur}$ — количество эпох с момента последнего перезапуска, а $T_{i}$ — количество эпох между двумя теплыми перезапусками в SGDR:

$$\eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 + \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right)$$

Когда $T_{cur}=T_{i}$, установите $\eta_t = \eta_{min}$. Когда $T_{cur}=0$ после перезапуска, установите $\eta_t=\eta_{max}$.

Предложено в SGDR: Stochastic Gradient Descent with Warm Restarts.

Параметры:

• optimizer (Optimizer) – Оборачиваемый оптимизатор.
• T_0 (int) – Количество итераций для первого перезапуска.
• T_mult (int, необязательно) – Множитель увеличивает $T_{i}$ после перезапуска. По умолчанию: 1.
• eta_min (float, необязательно) – Минимальная скорость обучения. По умолчанию: 0.
• last_epoch (int, необязательно) – Индекс последней эпохи. По умолчанию: -1.
• verbose (bool) – Если True, выводит сообщение в стандартный вывод для каждого обновления. По умолчанию: False.

get_last_lr()

Возвращает последнюю вычисленную скорость обучения текущим планировщиком.

load_state_dict(state_dict)

Загружает состояние планировщика.

Параметры:

state_dict (dict) – состояние планировщика. Должен быть объектом, возвращенным в результате вызова state_dict().

print_lr(is_verbose, group, lr, epoch=None)

Отображает текущую скорость обучения.

state_dict()

Возвращает состояние планировщика в виде dict.

Он содержит запись для каждой переменной в self.__dict__, которая не является оптимизатором.

step(epoch=None) [source]

Шаг может быть вызван после каждого обновления пакетных данных

Пример

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> iters = len(dataloader)
>>> for epoch in range(20):
>>>     for i, sample in enumerate(dataloader):
>>>         inputs, labels = sample['inputs'], sample['labels']
>>>         optimizer.zero_grad()
>>>         outputs = net(inputs)
>>>         loss = criterion(outputs, labels)
>>>         loss.backward()
>>>         optimizer.step()
>>>         scheduler.step(epoch + i / iters)

Эта функция может вызываться перекрестно.

Пример

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> for epoch in range(20):
>>>     scheduler.step()
>>> scheduler.step(26)
>>> scheduler.step() # scheduler.step(27), instead of scheduler(20)