比较与tf.keras.optimizers.RMSprop的功能差异
tf.keras.optimizers.RMSprop
tf.keras.optimizers.RMSprop(
learning_rate=0.001, rho=0.9, momentum=0.0, epsilon=1e-07, centered=False,
name='RMSprop', **kwargs
)
更多内容详见tf.keras.optimizers.RMSprop。
mindspore.nn.RMSProp
mindspore.nn.RMSProp(
params, learning_rate=0.1, decay=0.9, momentum=0.0, epsilon=1e-10, use_locking=False,
centered=False, loss_scale=1.0, weight_decay=0.0)(gradients)
更多内容详见mindspore.nn.RMSProp。
使用方式
一般使用场景:
MindSpore:一般情况下,在实例化一个优化器子类之后,将其作为
mindspore.model
高阶API的入参参与训练,用法请参考代码示例;或使用mindspore.nn.TrainOneStepCell
,通过传入优化器和一个mindspore.nn.WithLossCell
的实例,自定义训练网络。TensorFlow:一般情况下,在实例化一个优化器子类之后,将其作为
tf.keras.models.Model
高阶API的入参参与训练;或调用minimize()
(包含compute_gradients()
和apply_gradients()
)方法单步执行。
其他功能差异:
参数分组:MindSpore提供参数分组功能,且支持为不同参数组设置不同配置值,通过入参
params
传入参数组字典实现,mindspore.nn.RMSProp
支持参数分组;TensorFlow没有此入参配置。动态学习率:MindSpore支持动态学习率,分别在
nn.dynamic_lr
和nn.learning_rate_schedule
模块中有不同的实现方法,mindspore.nn.RMSProp
支持动态学习率;TensorFlow也支持此功能,学习率设置封装在tf.train
模块中。权重衰减和混合精度:MindSpore的
mindspore.nn.Optimizer
基类支持通过配置入参weight_decay
和loss_scale
来进行权重衰减及混合精度设置;TensorFlow的优化器没有相关入参配置,但提供了tf.keras.regularizers
和tf.keras.mixed_precision
模块提供相似的功能,配合优化器使用。
代码示例
MindSpore:
# The following implements RMSprop with MindSpore.
import mindspore.nn as nn
import mindspore as ms
class Net(nn.Cell):
def __init__(self):
super(Net, self).__init__()
self.conv = nn.Conv2d(3, 64, 3)
self.bn = nn.BatchNorm2d(64)
def construct(self, x):
x = self.conv(x)
x = self.bn(x)
return x
net = Net()
# 1) All parameters use the same learning rate and weight decay
optim = nn.RMSProp(params=net.trainable_params())
# 2) Use parameter groups and set different values
conv_params = list(filter(lambda x: 'conv' in x.name, net.trainable_params()))
no_conv_params = list(filter(lambda x: 'conv' not in x.name, net.trainable_params()))
group_params = [{'params': conv_params, 'weight_decay': 0.01, 'grad_centralization':True}, {'params': no_conv_params, 'lr': 0.01}, {'order_params': net.trainable_params()}]
optim = nn.RMSProp(group_params, learning_rate=0.1, weight_decay=0.0)
loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
model = ms.Model(net, loss_fn=loss, optimizer=optim, metrics={"accuracy"})
TensorFlow:
# The following implements RMSprop with tensorflow.
import tensorflow as tf
from tensorflow.keras import layers
tf.enable_eager_execution()
# build model and instantiate RMSprop optimizer
model = tf.keras.Sequential()
model.add(layers.Dense(1, kernel_initializer='uniform', input_shape=(3,)))
model.add(layers.Activation('relu'))
inputs = tf.constant([[1., 2., 3.], [3., 4., 5.]], dtype=tf.float32)
outputs = tf.constant([[0.5], [0.6]], dtype=tf.float32)
optim = tf.keras.optimizers.RMSprop(learning_rate=0.01)
作为tf.keras.models.Model
入参参与训练:
以下训练输出结果均具有随机性。
loss = tf.keras.losses.MeanSquaredError()
model.compile(optimizer=optim, loss=loss)
model.fit(inputs, outputs)
# out:
# Train on 2 samples
# 2/2 [==============================] - 3s 2s/sample - loss: 0.3050
使用minimize()
方法单步执行:
logits = model(inputs)
loss = lambda: tf.keras.losses.mse(model(inputs), outputs)
# minimize method
optim.minimize(loss, model.trainable_weights)
print(tf.keras.losses.mse(model(inputs), outputs))
# out: tf.Tensor([0.05567991 0.00738888], shape=(2,), dtype=float32)