mindspore.ops.LARSUpdate
========================

.. py:class:: mindspore.ops.LARSUpdate(epsilon=1e-05, hyperpara=0.001, use_clip=False)

    对梯度的平方和应用LARS(layer-wise adaptive rate scaling)算法。

    更多细节请参考 :class:`mindspore.nn.LARS` 。

    **参数：**
    
    - **epsilon** (float) - 添加在分母中，提高数值稳定性。默认值：1e-05。
    - **hyperpara** (float) - 计算局部学习率的信任系数。默认值：0.001。
    - **use_clip** (bool) - 计算局部学习速率时是否裁剪。默认值：False。

    **输入：**

    - **weight** (Tensor) - 权重Tensor，shape: :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。
    - **gradient** (Tensor) - `weight` 的梯度， 与 `weight` 的shape和数据类型相同。
    - **norm_weight** (Tensor) - 标量Tensor，权重的平方和。
    - **norm_gradient** (Tensor) - 标量Tensor，梯度的平方和。
    - **weight_decay** (Union[Number, Tensor]) - 衰减率。必须为标量Tensor或Number。
    - **learning_rate** (Union[Number, Tensor]) - 学习率。必须为标量Tensor或Number。

    **输出：**

    Tensor，计算后的梯度。

    **异常：**

    - **TypeError** - `epsilon` 或 `hyperpara` 不是float类型。
    - **TypeError** - `use_clip` 不是bool类型。
    - **TypeError** - `weight` 、 `gradient` 、 `norm_weight` 或 `norm_gradient` 不是Tensor。
    - **TypeError** - `weight_decay` 或 `learning_rate` 非Number或Tensor。
    - **TypeError** - `gradient` 与 `weight` 的shape不同。