【Hackathon 5th No.22】Add CosineAnnealingWarmRestarts API to Paddle

docs/api/paddle/optimizer/lr/CosineAnnealingWarmRestarts_cn.rst

@@ -0,0 +1,57 @@
+.. _cn_api_paddle_optimizer_lr_CosineAnnealingWarmRestarts:
+
+CosineAnnealingWarmRestarts
+-----------------------------------
+
+.. py:class:: paddle.optimizer.lr.CosineAnnealingWarmRestarts(learning_rate, T_0, T_mult=1, eta_min=0, last_epoch=-1, verbose=False)
+
+该接口使用 ``cosine annealing`` 的策略来动态调整学习率。
+
+.. math::
+        \eta_t = \eta_{min} + \frac{1}{2}(\eta_{max} - \eta_{min})\left(1 +
+        \cos\left(\frac{T_{cur}}{T_{i}}\pi\right)\right)
+
+:math:`\eta_{max}` 的初始值为 ``learning_rate``， :math:`T_{cur}` 是 SGDR（重启训练 SGD）训练过程中的当前训练轮数。:math:`T_{i}` 是 SGDR 两次重启训练之间 epoch 的数量
+
+当 :math:`T_{cur}=T_{i}` ，设 :math:`\eta_t = \eta_{min}` 。当重启后 :math:`T_{cur}=0` ，设 :math:`\eta_t=\eta_{max}` 。
+
+SGDR 的训练方法可以参考论文，相关论文：`SGDR: Stochastic Gradient Descent with Warm Restarts <https://arxiv.org/abs/1608.03983>`_
+
+参数
+::::::::::::
+
+    - **learning_rate** (float) - 初始学习率。
+    - **T_0** (int) - 首次重启后迭代的次数。
+    - **T_mult** (int，可选) - 重启之后 :math:`T_{i}` 乘积增长因子。默认值 1。
+    - **eta_min** (float，可选) - 最小学习率。默认值 0.
+    - **last_epoch** (int，可选) - 上一轮的轮数，重启训练时设置为上一轮的 epoch 数。默认值为 -1，则为初始学习率。
+    - **verbose** (bool，可选) - 如果是 ``True``，则在每一轮更新时在标准输出 `stdout` 输出一条信息。默认值为 ``False`` 。
+
+返回
+::::::::::::
+用于调整学习率的 ``CosineAnnealingWarmRestarts`` 实例对象。
+
+代码示例
+::::::::::::
+
+COPY-FROM: paddle.optimizer.lr.CosineAnnealingWarmRestarts:code-example1
+COPY-FROM: paddle.optimizer.lr.CosineAnnealingWarmRestarts:code-example2
+
+方法
+::::::::::::
+step(epoch=None)
+'''''''''
+
+step 函数需要在优化器的 `optimizer.step()` 函数之后调用，调用之后将会根据 epoch 数来更新学习率，更新之后的学习率将会在优化器下一轮更新参数时使用。
+
+**参数**
+
+  - **epoch** (int，可选) - 指定具体的 epoch 数。默认值 None，此时将会从-1 自动累加 ``epoch`` 数。
+
+**返回**
+
+无。
+
+**代码示例**
+
+参照上述示例代码。

docs/api/paddle/optimizer/lr/LRScheduler_cn.rst

@@ -41,6 +41,8 @@ LRScheduler
 
 * :code:`LinearLR`: 学习率随 step 数线性增加到指定学习率。 请参考 :ref:`cn_api_paddle_optimizer_lr_LinearLR`。
 
+* :code:`CosineAnnealingWarmRestarts`: 余弦退火学习率，即学习率随 step 数变化呈余弦函数周期变化。 请参考 :ref:`cn_api_paddle_optimizer_lr_CosineAnnealingWarmRestarts`。
+
 你可以继承该基类实现任意的学习率策略，导出基类的方法为 ``from paddle.optimizer.lr import LRScheduler`` ，
 必须要重写该基类的 ``get_lr()`` 函数，否则会抛出 ``NotImplementedError`` 异常。
 

docs/api_guides/low_level/layers/learning_rate_scheduler.rst

@@ -64,3 +64,6 @@
 
 * :code:`LinearLR`: 学习率随 step 数线性增加到指定学习率。
   相关 API Reference 请参考 :ref:`_cn_api_paddle_optimizer_lr_LinearLR`
+
+* :code:`CosineAnnealingWarmRestarts`: 余弦退火学习率，即学习率随 step 数变化呈余弦函数周期变化。
+  相关 API Reference 请参考 :ref:`cn_api_paddle_optimizer_lr_CosineAnnealingWarmRestarts`

docs/api_guides/low_level/layers/learning_rate_scheduler_en.rst

@@ -46,3 +46,5 @@ The following content describes the APIs related to the learning rate scheduler:
 * :code:`CyclicLR`: Cyclic decay. That is, the learning rate cycles between minimum and maximum learning rate with a constant frequency in specified a scale method. For related API Reference please refer to :ref:`api_paddle_optimizer_lr_CyclicLR`
 
 * :code:`LinearLR`: Linear decay. That is, the learning rate will be firstly multiplied by start_factor and linearly increase to end learning rate. For related API Reference please refer to :ref:`api_paddle_optimizer_lr_LinearLR`
+
+* :code:`CosineAnnealingWarmRestarts`: Cosine attenuation. It means the learning rate changes with the number of steps in the form of a cosine function. For related API Reference please refer to :ref:`api_paddle_optimizer_lr_CosineAnnealingWarmRestarts`