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.ApplyProximalAdagrad

class mindspore.ops.ApplyProximalAdagrad(use_locking=False)

根据Proximal Adagrad算法更新网络参数或者Tensor。 请参阅论文 Efficient Learning using Forward-Backward Splitting 。

$$\begin{array}{r}\begin{array}{l}\\ accum+=grad\ast grad\\ \text{prox\_v}=var-lr\ast grad\ast \frac{1}{\sqrt{accum}}\\ var=\frac{sign(\text{prox\_v})}{1+lr\ast l2}\ast max(\left|\text{prox\_v}\right|-lr\ast l1,0)\end{array}\end{array}$$

输入 var 、 accum 和 grad 之间必须遵守隐式类型转换规则以保证数据类型的统一。如果数据类型不同，低精度的数据类型将被自动转换到高精度的数据类型。

参数：

• use_locking (bool，可选) - 是否对参数更新加锁保护。默认值： False 。

输入：

• var (Union[Parameter, Tensor]) - 公式中的"var"。数据类型需为float16或float32。shape为 $(N,\ast )$ ，其中 $\ast$ 表示任何数量的附加维度。

• accum (Union[Parameter, Tensor]) - 公式中的"accum"。与 var 的shape和数据类型相同。

• lr (Union[Number, Tensor]) - 学习率，必须为标量，数据类型为float16或float32。

• l1 (Union[Number, Tensor]) - l1正则化强度，必须为标量，数据类型为float16或float32。

• l2 (Union[Number, Tensor]) - l2正则化强度，必须为标量，数据类型为float16或float32。

• grad (Tensor) - 梯度，与 var 的shape和数据类型相同。

输出：

包含两个Tensor的Tuple，已被更新的参数或者Tensor。

• var (Tensor) - 与输入 var 的shape和数据类型相同。

• accum (Tensor) - 与输入 accum 的shape和数据类型相同。

异常：

• TypeError - use_blocking 不是bool类型。

• TypeError - var 、 lr 、 l1 或 l2 的数据类型不是float16或float32。

• TypeError - lr 、 l1 或 l2 的数据类型不是Number或Tensor。

• TypeError - grad 不是Tensor。

• TypeError - var 、 accum 和 grad 网络参数的数据类型转换错误。

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_proximal_adagrad = ops.ApplyProximalAdagrad()
...         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.lr = 0.01
...         self.l1 = 0.0
...         self.l2 = 0.0
...     def construct(self, grad):
...         out = self.apply_proximal_adagrad(self.var, self.accum, self.lr, self.l1, self.l2, 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=
[[ 5.96388459e-01,  3.92964751e-01],
 [ 9.78178233e-02,  4.92815793e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 6.90000057e-01,  9.90000010e-01],
 [ 2.10000008e-01,  1.24000001e+00]]))