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。此调度程序读取指标数量，如果在“耐心”个 epoch 中没有看到改进，学习率就会降低。

参数

• optimizer (Optimizer) – 包装的优化器。

• mode (str) – min 或 max 之一。在 min 模式下，当监控的指标停止下降时，学习率将降低；在 max 模式下，当监控的指标停止上升时，学习率将降低。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没有改进的 epoch 数量。例如，考虑没有耐心（patience = 0）的情况。在第一个 epoch 中，会建立一个基线，并且始终被认为是好的，因为没有先前的基线。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），学习率将在该 epoch 结束时降低。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，学习率将不被调整。默认为 10。

• threshold (float) – 用于衡量新最优值的阈值，仅关注显著变化。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之前等待的 epoch 数量。默认为 0。

• min_lr (float 或 list) – 一个标量或标量列表。所有参数组或每个组的较低学习率边界。默认为 0。

• eps (float) – 应用于 lr 的最小衰减。如果新旧 lr 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()

以 dict 的形式返回调度器的状态。

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。