ReduceLROnPlateau

class torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

当指标停止改进时，降低学习率。

模型通常受益于在学习停滞后将学习率降低 2-10 倍。此调度器读取一个指标量，如果在“patience”个 epoch 内没有看到改进，则学习率会降低。

参数

• optimizer (Optimizer) – 包装的优化器。

• mode (str) – min 或 max 之一。在 min 模式下，当监控的量停止减少时，学习率会降低；在 max 模式下，当监控的量停止增加时，学习率会降低。默认为 ‘min’。

• factor (float) – 学习率将降低的因子。 new_lr = lr * factor。默认为 0.1。

• patience (int) – 在学习率降低之前，允许无改进的 epoch 数量。例如，考虑无耐心 (patience = 0) 的情况。在第一个 epoch 中，建立一个基线，并且由于没有先前的基线，它始终被认为是好的。在第二个 epoch 中，如果性能比基线差，则被认为是不可容忍的 epoch。由于不可容忍 epoch 的计数 (1) 大于耐心级别 (0)，因此在 epoch 结束时学习率会降低。从第三个 epoch 开始，如果性能比基线差，学习率将继续在每个 epoch 结束时降低。如果性能提高或保持不变，则不调整学习率。默认为 10。

• threshold (float) – 用于测量新最优值的阈值，以便只关注显著的变化。默认为 1e-4。

• threshold_mode (str) – rel 或 abs 之一。在 rel 模式下，dynamic_threshold = best * ( 1 + threshold )（在 ‘max’ 模式下）或 best * ( 1 - threshold )（在 min 模式下）。在 abs 模式下，dynamic_threshold = best + threshold（在 max 模式下）或 best - threshold（在 min 模式下）。默认为 ‘rel’。

• cooldown (int) – 学习率降低后恢复正常操作前等待的 epoch 数量。默认为 0。

• min_lr (float 或 list) – 一个标量或一个标量列表。所有参数组或每个组的学习率的下界。默认为 0。

• eps (float) – 应用于学习率的最小衰减。如果新旧学习率之间的差值小于 eps，则忽略更新。默认为 1e-8。

示例

>>> optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9)
>>> scheduler = ReduceLROnPlateau(optimizer, "min")
>>> for epoch in range(10):
>>>     train(...)
>>>     val_loss = validate(...)
>>> # Note that step should be called after validate()
>>>     scheduler.step(val_loss)

get_last_lr()

返回当前调度器计算的最后一个学习率。

返回类型

list[float]

get_lr()

使用调度器的链式形式计算学习率。

返回类型

list[float]

load_state_dict(state_dict)

加载调度器的状态。

state_dict()

返回调度器状态，作为一个 dict。

它包含 self.__dict__ 中除优化器之外的所有变量的条目。

返回类型

dict[str, Any]

step(metrics, epoch=None)

执行一步。