ReduceLROnPlateau

class ( 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’ )

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。
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，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’。
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

代码示例：

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：

无

代码示例:

参照其类中的说明。