mindspore.ops.ApplyPowerSign
- class mindspore.ops.ApplyPowerSign[源代码]
根据AddSign算法更新相关参数或者Tensor。
AddSign算法可参阅论文 Neural Optimizer Search with Reinforcement Learning 。
\[\begin{split}\begin{array}{ll} \\ m_{t+1} = \beta * m_{t} + (1 - \beta) * g \\ \text{update} = \exp(\text{logbase} * \text{sign_decay} * sign(g) * sign(m)) * g \\ var = var - lr_{t+1} * \text{update} \end{array}\end{split}\]\(t\) 表示更新步数,而 \(m\) 为一阶矩, \(m_{t}\) 是上一步的 \(m_{t+1}\) , \(lr\) 表示 lr , \(g\) 表示 grad , \(\beta\) 表示 beta 。
所有输入都遵循隐式类型转换规则,以使数据类型一致。如果 lr 、 logbase 、 sign_decay 或 beta 是数值型,则会自动转换为Tensor,数据类型与操作中涉及的Tensor的数据类型一致。如果输入是Tensor,并且具有不同的数据类型,则低精度数据类型将转换为最高精度的数据类型。
说明
目前Ascend平台上暂未开放对float64数据类型的支持。
- 输入:
var (Union[Parameter, Tensor]) - 要更新的变量。数据类型为float64、float32或float16。如果 var 的数据类型为float16,则所有输入的数据类型必须与 var 相同。shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。
m (Union[Parameter, Tensor]) - 要更新的变量,shape与 var 相同。
lr (Union[Number, Tensor]) - 学习率,应该是Scalar或Tensor,数据类型为float64、float32或float16。
logbase (Union[Number, Tensor]) - 应该是Scalar或Tensor,数据类型为float64、float32或float16。
sign_decay (Union[Number, Tensor]) - 应该是Scalar或Tensor,数据类型为float64、float32或float16。
beta (Union[Number, Tensor]) - 指数衰减率,应该是Scalar或Tensor,数据类型为float64、float32或float16。
grad (Tensor) - 梯度,shape与 var 相同。
- 输出:
2个Tensor组成的tuple,更新后的参数或者Tensor。
var (Tensor) - shape和数据类型与 var 相同。
m (Tensor) - shape和数据类型与 m 相同。
- 异常:
TypeError - 如果 var 、 lr 、 logbase 、 sign_decay 、 beta 或 grad 的数据类型不是float16、float32或者float64。
TypeError - 如果 lr 、 logbase 、 sign_decay 或 beta 既不是数值型也不是Tensor。
TypeError - 如果 grad 不是Tensor。
TypeError - 如果 lr 、 logbase 、 sign_decay 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 Tensor, nn, ops, Parameter >>> class Net(nn.Cell): ... def __init__(self): ... super(Net, self).__init__() ... self.apply_power_sign = ops.ApplyPowerSign() ... 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.lr = 0.001 ... self.logbase = np.e ... self.sign_decay = 0.99 ... self.beta = 0.9 ... def construct(self, grad): ... out = self.apply_power_sign(self.var, self.m, self.lr, self.logbase, ... self.sign_decay, self.beta, grad) ... return out ... >>> net = Net() >>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32)) >>> output = net(grad) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.95575690e-01, 3.89676481e-01], [ 9.85252112e-02, 4.88201708e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.70000052e-01, 5.19999981e-01], [ 1.89999998e-01, 6.20000064e-01]]))