mindscience.common.get_warmup_cosine_annealing_lr

mindscience.common.get_warmup_cosine_annealing_lr(lr_init, steps_per_epoch, last_epoch, warmup_epochs=0, warmup_lr_init=0.0, eta_min=1e-6)

基于余弦函数生成衰减学习率数组。当指定预热轮数时，预热阶段的学习率采用线性递增方式进行调整。 对于第 i 步，计算余弦衰减的学习速率 decayed_learning_rate[i] 的表达式为:

\[decayed\_learning\_rate[i] = eta\_min + 0.5 * (lr\_init - eta\_min) * (1 + cos(\frac{current\_epoch}{last\_epoch}\pi))\]

其中 \(current\_epoch = floor(\frac{i}{steps\_per\_epoch})\) 。

当指定预热轮数时，对于预热阶段内的第 i 步，其学习率计算公式为：

\[warmup\_learning\_rate[i] = (lr\_init - warmup\_lr\_init) * i / warmup\_steps + warmup\_lr\_init\]

参数：

• lr_init (float) - 初始学习速率，正值。

• steps_per_epoch (int) - 每个 epoch 包含的的步数，正值。

• last_epoch (int) - 训练的总 epoch 的数量，正值。

• warmup_epochs (int, 可选) - 预热阶段的 epoch 数。默认 0。

• warmup_lr_init (float, 可选) - 预热阶段的初始学习率。默认 0.0。

• eta_min (float, 可选) - 最小学习率。默认 1e-6。

返回：

Numpy.array，学习率数组。

异常：

• TypeError - 当 lr_init、 warmup_lr_init 或 eta_min 不是 float 类型时抛出。

• TypeError - 当 steps_per_epoch、warmup_epochs 或 last_epoch 不是 int 类型时抛出。

样例：

>>> from mindscience.common import get_warmup_cosine_annealing_lr
>>> lr_init = 0.001
>>> steps_per_epoch = 3
>>> last_epoch = 5
>>> warmup_epochs = 1
>>> lr = get_warmup_cosine_annealing_lr(lr_init, steps_per_epoch, last_epoch, warmup_epochs=warmup_epochs)
>>> print(lr)
[3.3333333e-04 6.6666666e-04 1.0000000e-03 9.0460398e-04 9.0460398e-04
9.0460398e-04 6.5485400e-04 6.5485400e-04 6.5485400e-04 3.4614600e-04
3.4614600e-04 3.4614600e-04 9.6396012e-05 9.6396012e-05 9.6396012e-05]