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.ApplyAdaMax

class mindspore.ops.ApplyAdaMax

根据AdaMax算法更新相关参数或者Tensor。

AdaMax优化器是参考 Adam论文 中Adamax优化相关内容所实现的。

更新公式如下：

$$\begin{array}{r}\begin{array}{l}\\ m_{t+1}={\beta }_1\ast m_t+(1-{\beta }_1)\ast g\\ v_{t+1}=max({\beta }_2\ast v_t,\left|g\right|)\\ var=var-\frac{l}{1-{\beta }_1^{t+1}}\ast \frac{m_{t+1}}{v_{t+1}+ϵ}\end{array}\end{array}$$

$t$ 表示更新步数， $m$ 为一阶矩， $m_t$ 是上一步的 $m_{t+1}$ ， $v$ 为二阶矩， $v_t$ 是上一步的 $v_{t+1}$ ， $l$ 代表学习率 lr ， $g$ 代表 grad ， ${\beta }_1,{\beta }_2$ 代表 beta1 和 beta2 ， ${\beta }_1^{t+1}$ 代表 beta1_power ， $var$ 代表要更新的网络参数， $ϵ$ 代表 epsilon 。

var 、 m 、 v 和 grad 的输入符合隐式类型转换规则，使数据类型一致。如果它们具有不同的数据类型，则低精度数据类型将转换为相对最高精度的数据类型。

输入：

• var (Union[Parameter, Tensor]) - 待更新的网络参数或者Tensor，为任意维度。数据类型为float32或float16。其shape为 $(N,\ast )$ ，其中 $\ast$ 为任意数量的额外维度。

• m (Union[Parameter, Tensor]) - 一阶矩，shape与 var 相同。数据类型为float32或float16。

• v (Union[Parameter, Tensor]) - 二阶矩。shape与 var 相同。数据类型为float32或float16。

• beta1_power (Union[Number, Tensor]) - $bet{a}_1^t$ ，必须是Scalar。数据类型为float32或float16。

• lr (Union[Number, Tensor]) - 学习率，公式中的 $l$ ，必须是Scalar。数据类型为float32或float16。

• beta1 (Union[Number, Tensor]) - 一阶矩的指数衰减率，必须是Scalar。数据类型为float32或float16。

• beta2 (Union[Number, Tensor]) - 二阶矩的指数衰减率，必须是Scalar。数据类型为float32或float16。

• epsilon (Union[Number, Tensor]) - 加在分母上的值，以确保数值稳定，必须是Scalar。数据类型为float32或float16。

• grad (Tensor) - 为梯度，是一个Tensor，shape与 var 相同。数据类型为float32或float16。

输出：

3个Tensor组成的tuple，更新后的数据。

• var (Tensor) - shape和数据类型与 var 相同。

• m (Tensor) - shape和数据类型与 m 相同。

• v (Tensor) - shape和数据类型与 v 相同。

异常：

• TypeError - 如果 var 、 m 、 v 、 beta_power 、 lr 、 beta1 、 beta2 、 epsilon 或 grad 的数据类型既不是float16也不是float32。

• TypeError - 如果 beta_power 、 lr 、 beta1 、 beta2 或 epsilon 既不是数值型也不是Tensor。

• TypeError - 如果 grad 不是Tensor。

• TypeError - 如果 var 、 m 、 v 和 grad 不支持数据类型转换。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, nn, ops, Parameter
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.apply_ada_max = ops.ApplyAdaMax()
...         self.var = Parameter(Tensor(np.array([[0.6, 0.4],
...                                               [0.1, 0.5]]).astype(np.float32)), name="var")
...         self.m = Parameter(Tensor(np.array([[0.6, 0.5],
...                                             [0.2, 0.6]]).astype(np.float32)), name="m")
...         self.v = Parameter(Tensor(np.array([[0.9, 0.1],
...                                             [0.7, 0.8]]).astype(np.float32)), name="v")
...     def construct(self, beta1_power, lr, beta1, beta2, epsilon, grad):
...         out = self.apply_ada_max(self.var, self.m, self.v, beta1_power, lr, beta1, beta2, epsilon, grad)
...         return out
...
>>> net = Net()
>>> beta1_power =Tensor(0.9, mindspore.float32)
>>> lr = Tensor(0.001, mindspore.float32)
>>> beta1 = Tensor(0.9, mindspore.float32)
>>> beta2 = Tensor(0.99, mindspore.float32)
>>> epsilon = Tensor(1e-10, mindspore.float32)
>>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32))
>>> output = net(beta1_power, lr, beta1, beta2, epsilon, grad)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[ 5.93602717e-01,  3.92571449e-01],
 [ 9.72582996e-02,  4.92249995e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 5.69999993e-01,  5.19999981e-01],
 [ 1.89999998e-01,  6.20000005e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 8.90999973e-01,  6.99999988e-01],
 [ 6.93000019e-01,  8.00000012e-01]]))