mindspore.ops.ApplyAdagrad

class mindspore.ops.ApplyAdagrad(update_slots=True)[源代码]

根据Adagrad算法更新相关参数。

Adagrad算法在论文 Adaptive Subgradient Methods for Online Learning and Stochastic Optimization 中提出。针对不同参数样本数不均匀的问题,自适应的为各个参数分配不同的学习率。

\[\begin{split}\begin{array}{ll} \\ accum += grad * grad \\ var -= lr * grad * \frac{1}{\sqrt{accum}} \end{array}\end{split}\]

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

参数:

  • update_slots (bool) - 是否更新 accum 参数,如果为True, accum 将更新。默认值为:True。

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) - 要更新的累积。shape和数据类型必须与 var 相同。

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

  • grad (Tensor) - 梯度,为一个Tensor。shape和数据类型必须与 var 相同。

输出:

2个Tensor组成的tuple,更新后的数据。

  • 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 varaccumlrgrad 的数据类型既不是float16也不是float32。

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

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

支持平台:

Ascend CPU GPU

样例:

>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.apply_adagrad = ops.ApplyAdagrad()
...         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")
...     def construct(self, lr, grad):
...         out = self.apply_adagrad(self.var, self.accum, lr, grad)
...         return out
...
>>> net = Net()
>>> lr = Tensor(0.001, mindspore.float32)
>>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32))
>>> output = net(lr, grad)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[ 5.99638879e-01,  3.99296492e-01],
 [ 9.97817814e-02,  4.99281585e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 6.90000057e-01,  9.90000010e-01],
 [ 2.10000008e-01,  1.24000001e+00]]))