ReduceLROnPlateau¶

注意：该API仅支持【动态图】模式

class paddle.callbacks. ReduceLROnPlateau ( learning_rate, mode='min', decay_rate=0.1, patience=10, verbose=False, threshold=1e-4, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-8, dtype='float32' ) [源代码] ¶

该API为 loss 自适应的学习率衰减策略。默认情况下，当 loss 停止下降时，降低学习率（如果将 mode 设置为 'max' ，此时判断逻辑相反， loss 停止上升时降低学习率）。其思想是：一旦模型表现不再提升，将学习率降低2-10倍对模型的训练往往有益。

loss 是传入到该类方法 step 中的参数，其必须是shape为[1]的1-D Tensor。 如果 loss 停止下降（mode 为 min 时）超过 patience 个epoch，学习率将会减小为 learning_rate * decay_rate 。

此外，每降低一次学习率后，将会进入一个时长为 cooldown 个epoch的冷静期，在冷静期内，将不会监控 loss 的变化情况，也不会衰减。 在冷静期之后，会继续监控 loss 的上升或下降。

参数：

• learning_rate (Variable|float|int) - 初始学习率。其类型可以是Python的float类型，如果输入int类型则会被转为float类型。其也可以是shape为[1]的 1-D Tensor，且相应数据类型必须为 "float32" 或 "float64" 。

• mode (str，可选) - 'min' 和 'max' 之一。通常情况下，为 'min' ，此时当 loss 停止下降时学习率将减小。默认：'min' 。 （注意：仅在特殊用法时，可以将其设置为 'max' ，此时判断逻辑相反， loss 停止上升学习率才减小）

• decay_rate (float，可选) - 学习率衰减的比例。new_lr = origin_lr * decay_rate ，它是值小于1.0的float型数字，默认: 0.1。

• patience (int，可选) - 当 loss 连续 patience 个epoch没有下降(mode: 'min')或上升(mode: 'max')时，学习率才会减小。默认：10。

• verbose (bool，可选) - 如果为 True ， 会在每次更新optimizer中的learning_rate时，打印信息。默认：False 。

• threshold (float，可选) - threshold 和 threshold_mode 两个参数将会决定 loss 最小变化的阈值。小于该阈值的变化 将会被忽视。默认：1e-4。

• threshold_mode (str，可选) - 'rel' 和 'abs' 之一。在 'rel' 模式下， loss 最小变化的阈值是 last_loss * threshold ， 其中 last_loss 是 loss 在上个epoch的值。在 'abs' 模式下，loss 最小变化的阈值是 threshold 。 默认：'rel'。

• cooldown (int，可选) - 在学习速率每次减小之后，会进入时长为 cooldown 个epoch的冷静期。默认：0。

• min_lr (float，可选) - 最小的学习率。减小后的学习率最低下界限。默认：0。

• eps (float，可选) - 如果新旧学习率间的差异小于 eps ，则不会更新。默认值:1e-8。

• dtype (str，可选) – 学习率值的数据类型，可以为"float32", "float64"。默认："float32"。

返回： loss 自适应的学习率

返回类型：Variable

代码示例：

import paddle.fluid as fluid
import numpy as np

with fluid.dygraph.guard():
    x = np.random.uniform(-1, 1, [10, 10]).astype("float32")
    linear = fluid.dygraph.Linear(10, 10)
    input = fluid.dygraph.to_variable(x)

    adam = fluid.optimizer.Adam(
        learning_rate = fluid.dygraph.ReduceLROnPlateau(
                            learning_rate = 1.0,
                            decay_rate = 0.5,
                            patience = 5,
                            verbose = True,
                            cooldown = 3),
        parameter_list = linear.parameters())

    for epoch in range(10):
        total_loss = 0
        for bath_id in range(5):
            out = linear(input)
            loss = fluid.layers.reduce_mean(out)
            total_loss += loss
            adam.minimize(loss)

        avg_loss = total_loss/5

        # 根据传入total_loss，调整学习率
        reduce_lr.step(avg_loss)
        lr = adam.current_step_lr()
        print("current avg_loss is %s, current lr is %s" % (avg_loss.numpy()[0], lr))

step ( loss ) ¶

需要在每个epoch调用该方法，其根据传入的 loss 调整optimizer中的学习率，调整后的学习率将会在下一次调用 optimizer.minimize 时生效。

参数：

• loss (Variable) - 类型：Variable，shape为[1]的1-D Tensor。将被用来判断是否需要降低学习率。如果 loss 连续 patience 个epochs没有下降， 将会降低学习率。

返回：

无

代码示例:

参照其类中的说明。