pytorch CosineAnnealingLR和CosineAnnealingWarmRestarts

1.CosineAnnealingLR

公式：

 n_min，n_max是最小和最大学习率

T_cur是从上次重启后的epoch计数（到达最低点后即重启）

T_max是经过多少个epochs重启

pytorch 函数：

torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1, verbose=False)

eta_min即 n_min

optimizer提供初始学习率，即最大学习率

T_max同上

last_epoch即上次重启的epoch索引

例子：

下图中T_max=10， eta_min=0

 下图中T_max=20， eta_min=0.5

参考：

CosineAnnealingLR — PyTorch 1.12 documentation

❖PyTorch CosineAnnealingLR - 知乎 (zhihu.com)

CosineAnnealingLR 代码解析与公式推导 - 知乎 (zhihu.com)

 2.CosineAnnealingWarmRestarts

公式：

不同之处在于T_i而不是T_max，每次重启之后的T_max是不一样的

pytorch 函数：

torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0, T_mult=1, eta_min=0, last_epoch=- 1, verbose=False)

函数名跟CosinAnnealingLR()相近，参数有两个不一样，T_0就是初始restart的epoch数目，T_mult就是重启之后因子，默认是1。我觉得可以这样理解，每个restart后，T_0 = T_0 * T_mult。

例子：

T_mult=2，T_0=5， initial_lr = 0.1（最小值为0，图有点没画好）

用法：在每个iteration结束时条用scheduler.step()，参数可以是小数

>>> scheduler = CosineAnnealingWarmRestarts(optimizer, T_0, T_mult)
>>> iters = len(dataloader)
>>> for epoch in range(20):
>>>     for i, sample in enumerate(dataloader):
>>>         inputs, labels = sample['inputs'], sample['labels']
>>>         optimizer.zero_grad()
>>>         outputs = net(inputs)
>>>         loss = criterion(outputs, labels)
>>>         loss.backward()
>>>         optimizer.step()
>>>         scheduler.step(epoch + i / iters)

 参考：

CosineAnnealingWarmRestarts — PyTorch 1.12 documentation

torch.optim.lr_scheduler：调整学习率之CosineAnnealingWarmRestarts()参数说明_qq_37612828的博客-CSDN博客

PyTorch torch.optim.lr_scheduler 学习率设置 调参 -- CosineAnnealingLR_zisuina_2的博客-CSDN博客