SequentialLR

class torch.optim.lr_scheduler.SequentialLR(optimizer, schedulers, milestones, last_epoch=- 1, verbose=False) [source]

Получает список планировщиков, которые должны вызываться последовательно во время процесса оптимизации, и вехи, которые предоставляют точные интервалы, отражающие, какой планировщик должен быть вызван в определённую эпоху.

Параметры:

• optimizer (Optimizer) – Оборачиваемый оптимизатор.
• schedulers (список) – Список связанных планировщиков.
• milestones (список) – Список целых чисел, отражающих вехи.
• last_epoch (целое число) – Индекс последней эпохи. По умолчанию: -1.
• verbose (булево) – Ничего не делает.

Пример

>>> # Assuming optimizer uses lr = 1. for all groups
>>> # lr = 0.1     if epoch == 0
>>> # lr = 0.1     if epoch == 1
>>> # lr = 0.9     if epoch == 2
>>> # lr = 0.81    if epoch == 3
>>> # lr = 0.729   if epoch == 4
>>> scheduler1 = ConstantLR(self.opt, factor=0.1, total_iters=2)
>>> scheduler2 = ExponentialLR(self.opt, gamma=0.9)
>>> scheduler = SequentialLR(self.opt, schedulers=[scheduler1, scheduler2], milestones=[2])
>>> for epoch in range(100):
>>>     train(...)
>>>     validate(...)
>>>     scheduler.step()

get_last_lr()

Возвращает последнее вычисленное значение скорости обучения текущим планировщиком.

load_state_dict(state_dict) [source]

Загружает состояние планировщиков.

Параметры:

state_dict (словарь) – состояние планировщика. Должен быть объектом, возвращаемым вызовом state_dict().

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

Отображает текущую скорость обучения.

state_dict() [source]

Возвращает состояние планировщика в виде dict.

Он содержит запись для каждой переменной в self.__dict__, которая не является оптимизатором. Состояния обернутых планировщиков также будут сохранены.