mindspore.nn.FixedLossScaleUpdateCell

class mindspore.nn.FixedLossScaleUpdateCell(loss_scale_value)

固定损失缩放系数的神经元。

该类是 mindspore.amp.FixedLossScaleManager 的 get_update_cell 方法的返回值。训练过程中，类 mindspore.nn.TrainOneStepWithLossScaleCell 会调用该Cell。

参数：

• loss_scale_value (float) - 初始损失缩放系数。

输入：

• loss_scale (Tensor) - 训练期间的损失缩放系数，是一个标量。在当前类中，该值被忽略。

• overflow (bool) - 是否发生溢出。

输出：

Bool，即输入 overflow。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, Parameter, nn, ops
>>>
>>> class Net(nn.Cell):
...     def __init__(self, in_features, out_features):
...         super(Net, self).__init__()
...         self.weight = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight')
...         self.matmul = ops.MatMul()
...
...     def construct(self, x):
...         output = self.matmul(x, self.weight)
...         return output
...
>>> in_features, out_features = 16, 10
>>> net = Net(in_features, out_features)
>>> loss = nn.MSELoss()
>>> optimizer = nn.Momentum(net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> net_with_loss = nn.WithLossCell(net, loss)
>>> manager = nn.FixedLossScaleUpdateCell(loss_scale_value=2**12)
>>> train_network = nn.TrainOneStepWithLossScaleCell(net_with_loss, optimizer, scale_sense=manager)
>>> input = Tensor(np.ones([out_features, in_features]), mindspore.float32)
>>> labels = Tensor(np.ones([out_features,]), mindspore.float32)
>>> output = train_network(input, labels)

get_loss_scale()

获取当前损失缩放系数。

返回：

float，损失缩放系数。