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。该调度器读取一个指标数量，如果在“patience”个 epoch 内没有看到改进，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，当监测到的数量停止减少时，学习率会降低；在“max”模式下，当监测到的数量停止增加时，学习率会降低。默认值：“min”。

• factor (float) – 学习率将要降低的因子。 new_lr = lr * factor。默认值：0.1。

• patience (int) – 在学习率降低之前允许的没有改进的 epoch 数量。例如，考虑没有耐心（patience = 0）的情况。在第一个 epoch，会建立一个基线，并且因为没有先前的基线，它总是被认为是好的。在第二个 epoch，如果性能比基线差，我们称之为不可容忍的 epoch。由于不可容忍 epoch 的计数（1）大于耐心级别（0），学习率会在该 epoch 结束时降低。从第三个 epoch 开始，如果性能比基线差，学习率将在每个 epoch 结束时继续降低。如果性能提高或保持不变，则不调整学习率。默认值：10。

• threshold (float) – 用于测量新最优值的阈值，以便仅关注显著变化。默认值：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）。默认值：“rel”。

• cooldown (int) – 学习率降低后恢复正常操作前需要等待的 epoch 数量。默认值：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。默认值：0。

• eps (float) – 应用于 lr 的最小衰减。如果新旧 lr 之间的差异小于 eps，则忽略更新。默认值：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()

获取此调度器计算的最新学习率。

返回:

一个 list，其中包含优化器的每个 param_groups 的学习率条目，其类型与其 group["lr"] 相同。

返回类型:

list[float | Tensor]

注意

返回的 Tensor 是副本，并且从不别名优化器的 group["lr"]。

get_lr()

计算优化器 param_groups 中每个参数组的下一个学习率。

返回:

一个 list，其中包含优化器每个 param_groups 的学习率，其类型与其当前 group["lr"] 相同。

返回类型:

list[float | Tensor]

注意

如果您想检查最新的学习率，请使用 get_last_lr() 而不是。

注意

返回的 Tensor 是副本，并且从不别名优化器的 group["lr"]。

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__ 中不是优化器的每个变量的条目。

返回类型:

dict[str, Any]

step(metrics, epoch=None)

执行一步。