ConstantLR

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

Уменьшает скорость обучения каждого параметра группы на небольшой постоянный множитель до тех пор, пока количество эпох не достигнет предварительно определённого этапа: total_iters. Обратите внимание, что такое уменьшение может происходить одновременно с другими изменениями скорости обучения извне этого планировщика. При last_epoch=-1, устанавливает начальную скорость обучения как lr.

Параметры

• optimizer (Optimizer) – Оборачиваемый оптимизатор.
• factor (float) – Число, на которое мы умножаем скорость обучения до достижения этапа. По умолчанию: 1./3.
• total_iters (int) – Количество шагов, на которых планировщик уменьшает скорость обучения. По умолчанию: 5.
• last_epoch (int) – Индекс последней эпохи. По умолчанию: -1.
• verbose (bool) – Если True, выводит сообщение в стандартный вывод для каждого обновления. По умолчанию: False.

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 >= 4
>>> scheduler = ConstantLR(self.opt, factor=0.5, total_iters=4)
>>> for epoch in range(100):
>>>     train(...)
>>>     validate(...)
>>>     scheduler.step()

get_last_lr()

Возвращает последнюю вычисленную скорость обучения текущим планировщиком.

load_state_dict(state_dict)

Загружает состояние планировщика.

Параметры

state_dict (dict) – Состояние планировщика. Должно быть объектом, возвращённым 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.