mindspore.ops.SparseApplyAdagradV2
- class mindspore.ops.SparseApplyAdagradV2(lr, epsilon, update_slots=True, use_locking=False)[源代码]
根据Adagrad算法更新相关参数或者Tensor。
\[\begin{split}\begin{array}{ll} \\ accum += grad * grad \\ var -= lr * grad * \frac{1}{\sqrt{accum} + \epsilon} \end{array}\end{split}\]\(\epsilon\) 代表 epsilon。
var 、 accum 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,则低精度数据类型将转换为相对最高精度的数据类型。
- 参数:
lr (float) - 学习率。
epsilon (float) - 添加到分母上的较小值,以确保数值的稳定性。
update_slots (bool) - 如果为
True
,则将更新 accum 。默认值:True
。use_locking (bool) - 是否对参数更新加锁保护。默认值:
False
。
- 输入:
var (Union[Parameter, Tensor]) - 要更新的变量。为任意维度,其数据类型为float16或float32。其shape为 \((N, *)\) ,其中 \(*\) 为任意数量的额外维度。
accum (Union[Parameter, Tensor]) - 要更新的累积。shape必须与 var 相同。
grad (Tensor) - 梯度,为一个Tensor。shape必须与 var 相同,且需要满足当 var.shape > 1 时 \(grad.shape[1:] = var.shape[1:]\)。
indices (Tensor) - var 和 accum 第一维度的索引向量,数据类型为int32,且需要保证 \(indices.shape[0] = grad.shape[0]\)。indices的值 需要唯一,否则结果将不可预测。
- 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。
accum (Tensor) - shape和数据类型与 accum 相同。
- 异常:
TypeError - 如果 lr 或者 epsilon 不是float类型。
TypeError - 如果 update_slots 或者 use_locking 不是布尔值。
TypeError - 如果 var 、 accum 、 lr 或 grad 的数据类型既不是float16也不是float32。
TypeError - 如果 indices 的数据类型不是int32。
RuntimeError - 如果 var 、 accum 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.sparse_apply_adagrad_v2 = ops.SparseApplyAdagradV2(lr=1e-8, epsilon=1e-6) ... self.var = Parameter(Tensor(np.array([[0.2]]).astype(np.float32)), name="var") ... self.accum = Parameter(Tensor(np.array([[0.1]]).astype(np.float32)), name="accum") ... ... def construct(self, grad, indices): ... out = self.sparse_apply_adagrad_v2(self.var, self.accum, grad, indices) ... return out ... >>> net = Net() >>> grad = Tensor(np.array([[0.7]]).astype(np.float32)) >>> indices = Tensor(np.array([0]), mindspore.int32) >>> output = net(grad, indices) >>> print(output) (Tensor(shape=[1, 1], dtype=Float32, value= [[ 1.99999988e-01]]), Tensor(shape=[1, 1], dtype=Float32, value= [[ 5.89999974e-01]]))