ReduceOnPlateau
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。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 metrics
参数,其可以是float或者shape为[1]的Tensor或numpy.ndarray。 如果 loss 停止下降超过 patience
个epoch,学习率将会衰减为 learning_rate * factor
(特殊地,mode
也可以被设置为 'max'
,此时逻辑相反)。
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 (float) - 初始学习率,数据类型为Python float。
mode (str,可选) -
'min'
和'max'
之一。通常情况下,为'min'
,此时当 停止下降时学习率将衰减。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
停止上升学习率才衰减)factor (float,可选) - 学习率衰减的比例。
new_lr = origin_lr * factor
,它是值小于1.0的float型数字,默认: 0.1。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 , 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) - 在学习率每次衰减之后,会进入时长为
cooldown
个 step 的冷静期。默认:0。epsilon (float,可选) - 如果新旧学习率间的差异小于epsilon ,则不会更新。默认值:1e-8。
verbose (bool,可选) - 如果是 True ,则在每一轮更新时在标准输出 stdout 输出一条信息。默认值为
False
。
返回:用于调整学习率的 ReduceOnPlateau
实例对象。
step
( metrics, epoch=None )
step函数需要在优化器的 optimizer.step() 函数之后调用,其根据传入的 metrics 调整optimizer中的学习率,调整后的学习率将会在下一个 step
时生效。
参数:
metrics (Tensor|numpy.ndarray|float)- 用来判断是否需要降低学习率。如果
loss
连续patience
个 没有下降, 将会降低学习率。可以是Tensor或者numpy.array,但是shape必须为[1],也可以是Python的float类型。
返回:
无