mindspore.ops.SparseApplyAdagradV2

class mindspore.ops.SparseApplyAdagradV2(lr, epsilon, update_slots=True, use_locking=False)

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]]))