mindspore.ops.ApplyAdadelta

class mindspore.ops.ApplyAdadelta[源代码]

根据Adadelta算法更新相关参数。

Adadelta算法,具体细节可参考论文 ADADELTA: AN ADAPTIVE LEARNING RATE METHOD

\[\begin{split}\begin{array}{ll} \\ accum = \rho * accum + (1 - \rho) * grad^2 \\ \text{update} = \sqrt{\text{accum_update} + \epsilon} * \frac{grad}{\sqrt{accum + \epsilon}} \\ \text{accum_update} = \rho * \text{accum_update} + (1 - \rho) * update^2 \\ var -= lr * update \end{array}\end{split}\]

其中 \(\rho\) 代表 rho\(\epsilon\) 代表 epsilon

varaccumaccum_updategrad 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,则较低精度的数据类型将转换为相对最高精度的数据类型。

输入:

  • var (Parameter) - 要更新的权重。数据类型为float32或float16。shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。

  • accum (Parameter) - \(\accum\) 要更新的累积,shape和数据类型与 var 相同。

  • accum_update (Parameter) - 更新公式中的 \(\accum_update\) ,shape和数据类型与 var 相同。

  • lr (Union[Number, Tensor]) - \(\lr\) 学习率,必须是Scalar。数据类型为float32或float16。

  • rho (Union[Number, Tensor]) - \(\rho\) 衰减率,必须是Scalar。数据类型为float32或float16。

  • epsilon (Union[Number, Tensor]) - \(\epsilon\) 加在分母上的值,以确保数值稳定,必须是Scalar。数据类型为float32或float16。

  • grad (Tensor) - 梯度,shape和数据类型与 var 相同。

输出:

3个Tensor的元组,更新后的数据。

  • var (Tensor) - 与 var 相同的shape和数据类型。

  • accum (Tensor)- 与 accum 相同的shape和数据类型。

  • accum_update (Tensor) - 与 accum_update 相同的shape和数据类型。

异常:

  • TypeError - 如果 varaccumaccum_updatelrrhoepsilongrad 的数据类型既不是float16也不是float32。

  • TypeError - 如果 accum_updatelrrhoepsilon 既不是数值型也不是Tensor。

  • RuntimeError - 如果 varaccumaccum_updategrad 不支持数据类型转换。

支持平台:

Ascend CPU

样例:

>>> import numpy as np
>>> import mindspore
>>> from mindspore import nn, Tensor, ops, Parameter
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.apply_adadelta = ops.ApplyAdadelta()
...         self.var = Parameter(Tensor(np.array([[0.6, 0.4],
...                                               [0.1, 0.5]]).astype(np.float32)), name="var")
...         self.accum = Parameter(Tensor(np.array([[0.6, 0.5],
...                                                 [0.2, 0.6]]).astype(np.float32)), name="accum")
...         self.accum_update = Parameter(Tensor(np.array([[0.9, 0.1],
...                                                        [0.7, 0.8]]).astype(np.float32)),
...                                                             name="accum_update")
...     def construct(self, lr, rho, epsilon, grad):
...         out = self.apply_adadelta(self.var, self.accum, self.accum_update, lr, rho, epsilon, grad)
...         return out
...
>>> net = Net()
>>> lr = Tensor(0.001, mindspore.float32)
>>> rho = Tensor(0.0, mindspore.float32)
>>> epsilon = Tensor(1e-6, mindspore.float32)
>>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32))
>>> output = net(lr, rho, epsilon, grad)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[ 5.99051356e-01,  3.99683774e-01],
 [ 9.91633832e-02,  4.99105573e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 9.00000036e-02,  4.89999980e-01],
 [ 1.00000007e-02,  6.40000045e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 8.99990976e-01,  1.00000791e-01],
 [ 6.99930906e-01,  7.99999654e-01]]))