ConstantLR

class torch.optim.lr_scheduler.ConstantLR(optimizer, factor=0.3333333333333333, total_iters=5, last_epoch=-1) [исходный код]

Умножает скорость обучения каждой группы параметров на небольшой постоянный коэффициент.

Умножение выполняется до тех пор, пока число эпох не достигнет заранее заданного контрольного значения: total_iters. Обратите внимание, что такое умножение на небольшой постоянный коэффициент может происходить одновременно с другими изменениями скорости обучения, выполняемыми вне этого планировщика. Если last_epoch=-1, начальная скорость обучения устанавливается равной lr.

Параметры:

• optimizer (Optimizer) – Обернутый оптимизатор.
• factor (float) – Число, на которое умножается скорость обучения до контрольного значения. По умолчанию: 1./3.
• total_iters (int) – Число шагов, в течение которых планировщик умножает скорость обучения на коэффициент. По умолчанию: 5.
• last_epoch (int) – Индекс последней эпохи. По умолчанию: -1.

Пример

>>> # Assuming optimizer uses lr = 0.05 for all groups
>>> # lr = 0.025   if epoch == 0
>>> # lr = 0.025   if epoch == 1
>>> # lr = 0.025   if epoch == 2
>>> # lr = 0.025   if epoch == 3
>>> # ...
>>> # lr = 0.05    if epoch >= 40
>>> scheduler = ConstantLR(optimizer, factor=0.5, total_iters=40)
>>> for epoch in range(100):
>>>     train(...)
>>>     validate(...)
>>>     scheduler.step()

get_last_lr() [исходный код]

Получить последние значения скорости обучения, вычисленные этим планировщиком.

Возвращает:

list значений скорости обучения для каждой param_groups оптимизатора с теми же типами, что и у их group["lr"]ов.

Тип возвращаемого значения:

list[float | Tensor]

Примечание

Возвращаемые Tensor являются копиями и никогда не ссылаются на те же объекты, что и group["lr"] оптимизатора.

get_lr() [исходный код]

Вычислить следующую скорость обучения для каждой param_groups оптимизатора.

Если last_epoch равно 0, этот метод масштабирует group["lr"] в каждой param_groups оптимизатора на factor. После достижения total_iters эффект отменяется: выполняется масштабирование на 1 / factor.

Возвращает:

list значений скорости обучения для каждой param_groups оптимизатора с теми же типами, что и у их текущих group["lr"].

Тип возвращаемого значения:

list[float | Tensor]

Примечание

Чтобы проверить последнее значение скорости обучения, используйте get_last_lr().

Примечание

Возвращаемые Tensor являются копиями и никогда не ссылаются на те же объекты, что и group["lr"] оптимизатора.

load_state_dict(state_dict) [исходный код]

Загрузить состояние планировщика.

Параметры:

state_dict (dict) – Состояние планировщика. Должен быть объектом, возвращенным вызовом state_dict().

state_dict() [исходный код]

Вернуть состояние планировщика в виде dict.

Содержит запись для каждой переменной в self.__dict__, кроме оптимизатора.

Тип возвращаемого значения:

dict[str, Any]

step(epoch=None) [исходный код]

Выполнить шаг планировщика.

Параметры:

epoch (int, optional) –

Устарело с версии 1.4: Если задано, устанавливает last_epoch в epoch и использует _get_closed_form_lr(), если он доступен. Эта возможность поддерживается не во всех случаях. Вместо этого вызывайте step() без аргументов.

Примечание

Вызывайте этот метод после вызова step() оптимизатора.