文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.AdamWeightDecay

class mindspore.ops.AdamWeightDecay(use_locking=False)

通过具有权重衰减的自适应矩估计算法（AdamWeightDecay）更新梯度。 Adam算法在 Adam：随机优化方法 中提出。

AdamWeightDecay是Adam算法的变体，在 解耦权重衰变正则化 中提出的。

更新公式如下：

$$\begin{array}{r}\begin{array}{l}\\ m={\beta }_1\ast m+(1-{\beta }_1)\ast g\\ v={\beta }_2\ast v+(1-{\beta }_2)\ast g\ast g\\ update=\frac{m}{\sqrt{v}+ϵ}\\ update=\{\begin{array}{ll}update+weight\mathrm{\_}decay\ast w& \text{ if }weight\mathrm{\_}decay>0\\ update& \text{ otherwise }\end{array}\\ w=w-lr\ast update\end{array}\end{array}$$

$m$ 代表第一个矩向量，$v$ 代表第二个矩向量，$g$ 代表 gradient ，${\beta }_1,{\beta }_2$ 代表 beta1 和 beta2 ，$lr$ 代表 learning_rate ，$w$ 代表 var ， $decay$ 代表 weight_decay ， $ϵ$ 代表 epsilon 。

参数：

• use_locking (bool) - 是否对参数更新加锁保护。如果为 True ，则 var 、 m 和 v 张量的更新将受到锁的保护。如果为 False ，则结果不可预测。默认值： False 。

输入：

• var (Union[Parameter, Tensor]) - 需要更新的权重。shape为 $(N,\ast )$ 其中 $\ast$ 表示任何数量的附加维度，数据类型可以是float16或float32。

• m (Union[Parameter, Tensor]) - 更新公式中的第一个动量矩阵，它的shape应该和 var 一致，数据类型可以是float16或float32。

• v (Union[Parameter, Tensor]) - 更新公式中的第二个动量矩阵，shape与 m 相同。

• lr (float) - 更新公式中的 $lr$ 。其论文建议值为 ${10}^{-8}$ ，数据类型应为float32。

• beta1 (float) - 第一个动量矩阵的指数衰减率，数据类型应为float32。论文建议的值是 $0.9$ 。

• beta2 (float) - 第二个动量矩阵的指数衰减率，数据类型应为float32。论文建议的值是 $0.999$ 。

• epsilon (float) - 添加到分母中的值，以提高数值稳定性，数据类型应为float32。

• decay (float) - 权重衰减值，必须是具有float32数据类型的标量张量。默认值：0.0 。

• gradient (Tensor) - 梯度，shape与 var 相同。

输出：

3个张量的Tuple，为更新后的参数。

• var (Tensor) - 具有与 var 相同的shape和数据类型。

• m (Tensor) - 具有与 m 相同的shape和数据类型。

• v (Tensor) - 具有与 v 相同的shape和数据类型。

异常：

• TypeError - 如果 use_locking 不是bool类型。

• TypeError - 如果 lr 、 beta1 、 beta2 、 epsilon 或者 decay 不是float32。

• TypeError - 如果 var 、 m 或者 v 数据类型不是float16或者float32。

• TypeError - 如果 gradient 不是Tensor。

• ValueError - 如果 epsilon 小于等于0。

• ValueError - 如果 beta1 、 beta2 不在（0.0,1.0）范围内。

• ValueError - 如果 decay 小于0。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import Tensor, Parameter, ops
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.adam_weight_decay = ops.AdamWeightDecay()
...         self.var = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="var")
...         self.m = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="m")
...         self.v = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="v")
...     def construct(self, lr, beta1, beta2, epsilon, decay, grad):
...         out = self.adam_weight_decay(self.var, self.m, self.v, lr, beta1, beta2,
...                               epsilon, decay, grad)
...         return out
>>> net = Net()
>>> gradient = Tensor(np.ones([2, 2]).astype(np.float32))
>>> output = net(0.001, 0.9, 0.999, 1e-8, 0.0, gradient)
>>> print(net.var.asnumpy())
[[0.999 0.999]
[0.999 0.999]]