mindspore.amp.DynamicLossScaler

class mindspore.amp.DynamicLossScaler(scale_value, scale_factor, scale_window)

动态调整损失缩放系数的管理器。

动态损失缩放管理器在保证梯度不溢出的情况下，尝试确定最大的损失缩放值 scale_value。在梯度不溢出的情况下，scale_value 将会每间隔 scale_window 步被扩大 scale_factor 倍，若存在溢出情况，则会将 scale_value 缩小 scale_factor 倍，并重置计数器。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• scale_value (Union(float, int)) - 初始梯度放大系数。

• scale_factor (int) - 放大/缩小倍数。

• scale_window (int) - 无溢出时的连续正常step的最大数量。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import amp, Tensor
>>> import numpy as np
>>> loss_scaler = amp.DynamicLossScaler(scale_value=2**10, scale_factor=2, scale_window=1)
>>> grads = (Tensor(np.array([np.log(-1), 1.0]), mindspore.float16),
...             Tensor(np.array([0.2]), mindspore.float16))
>>> unscaled_grads = loss_scaler.unscale(grads)
>>> grads_finite = amp.all_finite(unscaled_grads)
>>> loss_scaler.adjust(grads_finite)
True
>>> print(loss_scaler.scale_value.asnumpy())
512.0

adjust(grads_finite)

根据梯度是否为有效值（无溢出）对 scale_value 进行调整。

参数：

• grads_finite (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。

教程样例：

• 自动混合精度 - 损失缩放

scale(inputs)

根据 scale_value 放大inputs。

参数：

• inputs (Union(Tensor, tuple(Tensor))) - 损失值或梯度。

返回：

Union(Tensor, tuple(Tensor))，scale后的值。

教程样例：

• 自动混合精度 - 损失缩放

unscale(inputs)

对inputs进行unscale，inputs /= scale_value。

参数：

• inputs (Union(Tensor, tuple(Tensor))) - 损失值或梯度。

返回：

Union(Tensor, tuple(Tensor))，unscale后的值。

教程样例：

• 自动混合精度 - 损失缩放