mindspore.ops.ApplyAdagradDA
- class mindspore.ops.ApplyAdagradDA(use_locking=False)[源代码]
根据Adagrad算法更新 var 。
Adagrad算法在论文 Adaptive Subgradient Methods for Online Learning and Stochastic Optimization 中提出。
\[\begin{split}\begin{array}{ll} \\ grad\_accum += grad \\ grad\_squared\_accum += grad * grad \\ tmp\_val= \begin{cases} sign(grad\_accum) * max\left \{|grad\_accum|-l1*global\_step, 0\right \} & \text{ if } l1>0 \\ grad\_accum & \text{ otherwise } \\ \end{cases} \\ x\_value = -1 * lr * tmp\_val \\ y\_value = l2 * global\_step * lr + \sqrt{grad\_squared\_accum} \\ var = \frac{ x\_value }{ y\_value } \end{array}\end{split}\]var 、 gradient_accumulator 、 gradient_squared_accumulator 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。
- 参数:
use_locking (bool) - 如果为
True
, var 和 gradient_accumulator 的更新将受到锁的保护。否则,行为为未定义,很可能出现较少的冲突。默认值为False
。
- 输入:
var (Parameter) - 要更新的变量。数据类型必须为float16或float32。shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。
gradient_accumulator (Parameter) - 要更新累积的梯度,为公式中的 \(grad\_accum\) 。shape必须与 var 相同。
gradient_squared_accumulator (Parameter) - 要更新的平方累积的梯度,为公式中的 \(grad\_squared\_accum\) 。shape必须与 var 相同。
grad (Tensor) - 梯度,为一个Tensor。shape必须与 var 相同。
lr ([Number, Tensor]) - 学习率。必须是Scalar。数据类型为float32或float16。
l1 ([Number, Tensor]) - L1正则化。必须是Scalar。数据类型为float32或float16。
l2 ([Number, Tensor]) - L2正则化。必须是Scalar。数据类型为float32或float16。
global_step ([Number, Tensor]) - 训练步骤的编号。必须是Scalar。数据类型为int32或int64。
- 输出:
1个Tensor组成的tuple,更新后的参数。
var (Tensor) - shape和数据类型与 var 相同。
- 异常:
TypeError - 如果 var 、 gradient_accumulator 或 gradient_squared_accumulator 不是Parameter。
TypeError - 如果 grad 不是 Tensor。
TypeError - 如果 lr 、 l1 、 l2 或者 global_step 既不是数值型也不是Tensor。
TypeError - 如果 use_locking 不是bool。
TypeError - 如果 var 、 gradient_accumulator 、 gradient_squared_accumulator 、 grad 、 lr 、 l1 或 l2 的数据类型既不是float16也不是float32。
TypeError - 如果 gradient_accumulator 、 gradient_squared_accumulator 、 grad 与 var 的数据类型不相同。
TypeError - 如果 global_step 的数据类型不是int32也不是int64。
ValueError - 如果 lr 、 l1 、 l2 和 global_step 的shape大小不为0。
TypeError - 如果 var 、 gradient_accumulator 、 gradient_squared_accumulator 和 grad 不支持数据类型转换。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> from mindspore import dtype as mstype >>> from mindspore import Tensor, nn, ops, Parameter >>> class ApplyAdagradDANet(nn.Cell): ... def __init__(self, use_locking=False): ... super(ApplyAdagradDANet, self).__init__() ... self.apply_adagrad_d_a = ops.ApplyAdagradDA(use_locking) ... self.var = Parameter(Tensor(np.array([[0.6, 0.4], [0.1, 0.5]]).astype(np.float32)), name="var") ... self.gradient_accumulator = Parameter(Tensor(np.array([[0.1, 0.3], ... [0.1, 0.5]]).astype(np.float32)), ... name="gradient_accumulator") ... self.gradient_squared_accumulator = Parameter(Tensor(np.array([[0.2, 0.1], ... [0.1, 0.2]]).astype(np.float32)), ... name="gradient_squared_accumulator") ... self.gradient_accumulator = Parameter(Tensor(np.array([[0.1, 0.3], ... [0.1, 0.5]]).astype(np.float32)), ... name="gradient_accumulator") ... def construct(self, grad, lr, l1, l2, global_step): ... out = self.apply_adagrad_d_a(self.var, self.gradient_accumulator, ... self.gradient_squared_accumulator, grad, lr, l1, l2, global_step) ... return out ... >>> net = ApplyAdagradDANet() >>> grad = Tensor(np.array([[0.3, 0.4], [0.1, 0.2]]).astype(np.float32)) >>> lr = Tensor(0.001, mstype.float32) >>> l1 = Tensor(0.001, mstype.float32) >>> l2 = Tensor(0.001, mstype.float32) >>> global_step = Tensor(2, mstype.int32) >>> output = net(grad, lr, l1, l2, global_step) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[-7.39064650e-04, -1.36888528e-03], [-5.96988888e-04, -1.42478070e-03]]))