mindspore.ops.ApplyAdadelta
- class mindspore.ops.ApplyAdadelta[源代码]
根据Adadelta算法更新相关参数。
Adadelta算法,具体细节可参考论文 ADADELTA: AN ADAPTIVE LEARNING RATE METHOD 。
\[\begin{split}\begin{array}{ll} \\ \text{accum} = \rho * \text{accum} + (1 - \rho) * \text{grad}^2 \\ \text{update} = \sqrt{\text{accum_update} + \epsilon} * \frac{\text{grad}}{\sqrt{\text{accum} + \epsilon}} \\ \text{accum_update} = \rho * \text{accum_update} + (1 - \rho) * \text{update}^2 \\ \text{var} = \text{var} - \text{lr} * \text{update} \end{array}\end{split}\]其中 \(\rho\) 代表 rho , \(\epsilon\) 代表 epsilon 。
var 、 accum 、 accum_update 和 grad 的输入遵循隐式类型转换规则,使数据类型一致。如果它们具有不同的数据类型,则较低精度的数据类型将转换为相对最高精度的数据类型。
- 输入:
var (Parameter) - 待更新的公式参数 var。数据类型为float32或float16。shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。
accum (Parameter) - 待更新的公式参数 accum,shape和数据类型与 var 相同。
accum_update (Parameter) - 待更新的公式参数 accum_update,shape和数据类型与 var 相同。
lr (Union[Number, Tensor]) - 学习率,必须是Scalar。数据类型为float32或float16。
rho (Union[Number, Tensor]) - 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) - 梯度,shape和数据类型与 var 相同。
- 输出:
3个Tensor的元组,更新后的数据。
var (Tensor) - 与 var 相同的shape和数据类型。
accum (Tensor) - 与 accum 相同的shape和数据类型。
accum_update (Tensor) - 与 accum_update 相同的shape和数据类型。
- 异常:
TypeError - 如果 var 、 accum 、 accum_update 、 lr 、 rho 、 epsilon 或 grad 的数据类型既不是float16也不是float32。
TypeError - 如果 accum_update 、 lr 、 rho 或 epsilon 既不是数值型也不是Tensor。
TypeError - 如果 var 、 accum 、 accum_update 和 grad 不支持数据类型转换。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> import mindspore >>> from mindspore import nn, Tensor, ops, Parameter >>> class Net(nn.Cell): ... def __init__(self): ... super(Net, self).__init__() ... self.apply_adadelta = ops.ApplyAdadelta() ... self.var = Parameter(Tensor(np.array([[0.6, 0.4], ... [0.1, 0.5]]).astype(np.float32)), name="var") ... self.accum = Parameter(Tensor(np.array([[0.6, 0.5], ... [0.2, 0.6]]).astype(np.float32)), name="accum") ... self.accum_update = Parameter(Tensor(np.array([[0.9, 0.1], ... [0.7, 0.8]]).astype(np.float32)), ... name="accum_update") ... def construct(self, lr, rho, epsilon, grad): ... out = self.apply_adadelta(self.var, self.accum, self.accum_update, lr, rho, epsilon, grad) ... return out ... >>> net = Net() >>> lr = Tensor(0.001, mindspore.float32) >>> rho = Tensor(0.0, mindspore.float32) >>> epsilon = Tensor(1e-6, mindspore.float32) >>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32)) >>> output = net(lr, rho, epsilon, grad) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.99051356e-01, 3.99683774e-01], [ 9.91633832e-02, 4.99105573e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 9.00000036e-02, 4.89999980e-01], [ 1.00000007e-02, 6.40000045e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 8.99990857e-01, 1.00000791e-01], [ 6.99930906e-01, 7.99999774e-01]]))