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。

无