CosineDecay

[源]

CosineDecay 类

keras.optimizers.schedules.CosineDecay(
    initial_learning_rate,
    decay_steps,
    alpha=0.0,
    name="CosineDecay",
    warmup_target=None,
    warmup_steps=0,
)

一个使用余弦衰减并可选带有预热（warmup）的 LearningRateSchedule。

参考 Loshchilov & Hutter, ICLR2016，SGDR: Stochastic Gradient Descent with Warm Restarts。

关于学习率线性预热的想法，参考 Goyal et al.。

当我们开始训练模型时，我们通常希望学习率先经历一个初始增长，然后是衰减。如果 warmup_target 是一个整数，此调度器将在 warmup_steps 步长内，以每个优化器步骤线性增加学习率，从 initial_learning_rate 增加到 warmup_target。之后，它将在 decay_steps 步长内应用一个余弦衰减函数，将学习率从 warmup_target 衰减到 alpha。如果 warmup_target 是 None，则跳过预热，衰减将把学习率从 initial_learning_rate 降低到 alpha。它需要一个 step 值来计算学习率。你可以传递一个后端变量，该变量在每个训练步骤中递增。

此调度器是一个接受一个参数的可调用对象，当传入当前的优化器步骤时，它会产生一个先预热后衰减的学习率。这对于在优化器函数的不同调用中改变学习率值很有用。

预热阶段的计算公式如下：

def warmup_learning_rate(step):
    completed_fraction = step / warmup_steps
    total_delta = target_warmup - initial_learning_rate
    return completed_fraction * total_delta

衰减阶段的计算公式如下：

if warmup_target is None:
    initial_decay_lr = initial_learning_rate
else:
    initial_decay_lr = warmup_target

def decayed_learning_rate(step):
    step = min(step, decay_steps)
    cosine_decay = 0.5 * (1 + cos(pi * step / decay_steps))
    decayed = (1 - alpha) * cosine_decay + alpha
    return initial_decay_lr * decayed

不带预热的示例用法

decay_steps = 1000
initial_learning_rate = 0.1
lr_decayed_fn = keras.optimizers.schedules.CosineDecay(
    initial_learning_rate, decay_steps)

带预热的示例用法

decay_steps = 1000
initial_learning_rate = 0
warmup_steps = 1000
target_learning_rate = 0.1
lr_warmup_decayed_fn = keras.optimizers.schedules.CosineDecay(
    initial_learning_rate, decay_steps, warmup_target=target_learning_rate,
    warmup_steps=warmup_steps
)

你可以直接将此调度器作为学习率传递给 keras.optimizers.Optimizer。学习率调度器还可以使用 keras.optimizers.schedules.serialize 和 keras.optimizers.schedules.deserialize 进行序列化和反序列化。

参数

• initial_learning_rate: Python 浮点数。初始学习率。
• decay_steps: Python 整数。衰减的总步数。
• alpha: Python 浮点数。衰减阶段的最小学习率，表示为 initial_learning_rate 的一个分数。
• name: 字符串。操作的可选名称。默认为 "CosineDecay"。
• warmup_target: Python 浮点数。预热阶段的目标学习率。将被转换为 initial_learning_rate 的数据类型。设置为 None 将跳过预热，并从 initial_learning_rate 开始衰减阶段。否则，调度器将从 initial_learning_rate 预热到 warmup_target。
• warmup_steps: Python 整数。预热的总步数。

返回值

一个接受一个参数的可调用学习率调度器，它接收当前的优化器步骤，并输出衰减后的学习率，一个与 initial_learning_rate 类型相同的标量张量。