比较与tf.keras.optimizers.Adagrad的功能差异
tf.keras.optimizers.Adagrad
tf.keras.optimizers.Adagrad(
learning_rate=0.001,
initial_accumulator_value=0.1,
epsilon=1e-07,
name='Adagrad',
**kwargs
) -> Tensor
更多内容详见tf.keras.optimizers.Adagrad。
mindspore.nn.Adagrad
class mindspore.nn.Adagrad(
params,
accum=0.1,
learning_rate=0.001,
update_slots=True,
loss_scale=1.0,
weight_decay=0.0
)(grads) -> Tensor
更多内容详见mindspore.nn.Adagrad。
差异对比
TensorFlow:Adagrad是一个具有特定参数学习率的优化器,用来实现Adagrad算法,它根据训练期间参数更新的频率进行调整。参数接收的更新越多,更新越小。
MindSpore:MindSpore此API实现功能与TensorFlow基本一致,部分参数名不一样,并且比TensorFlow多出update_slots、loss_scale、weight_decay参数。
分类 |
子类 |
TensorFlow |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
learning_rate |
learning_rate |
- |
参数2 |
initial_accumulator_value |
accum |
功能一致,参数名不同 |
|
参数3 |
epsilon |
- |
TensorFlow用于保持数值稳定性的小浮点值,MindSpore无此参数 |
|
参数4 |
name |
- |
不涉及 |
|
参数5 |
**kwargs |
- |
不涉及 |
|
参数6 |
- |
params |
Parameter组成的列表或字典组成的列表,TensorFlow中无此参数 |
|
参数7 |
- |
update_slots |
值如果为True,则更新累加器,TensorFlow中无此参数 |
|
参数8 |
- |
loss_scale |
梯度缩放系数,默认值:1.0,TensorFlow中无此参数 |
|
参数9 |
- |
weight_decay |
权重衰减(L2 penalty),默认值:0.0,TensorFlow中无此参数 |
|
输入 |
单输入 |
- |
grads |
优化器中 |
代码示例
两API实现功能基本一致。
# TensorFlow
import tensorflow as tf
opt = tf.keras.optimizers.Adagrad(initial_accumulator_value=0.1, learning_rate=0.1)
var = tf.Variable(1.0)
val0 = var.value()
loss = lambda: (var ** 2)/2.0
step_count = opt.minimize(loss, [var]).numpy()
val1 = var.value()
print([val1.numpy()])
# [0.9046537]
step_count = opt.minimize(loss, [var]).numpy()
val2 = var.value()
print([val2.numpy()])
# [0.8393387]
# MindSpore
import numpy as np
import mindspore.nn as nn
import mindspore as ms
from mindspore.dataset import NumpySlicesDataset
class Net(nn.Cell):
def __init__(self):
super(Net, self).__init__()
self.w = ms.Parameter(ms.Tensor(np.array([1.0], np.float32)), name='w')
def construct(self, x):
f = self.w * x
return f
class MyLoss(nn.LossBase):
def __init__(self, reduction='none'):
super(MyLoss, self).__init__()
def construct(self, y, y_pred):
return (y - y_pred) ** 2 / 2.0
net = Net()
loss = MyLoss()
optim = nn.Adagrad(params=net.trainable_params(), accum=0.1, learning_rate=0.1)
model = ms.Model(net, loss_fn=loss, optimizer=optim)
data_x = np.array([1.0], dtype=np.float32)
data_y = np.array([0.0], dtype=np.float32)
data = NumpySlicesDataset((data_x, data_y), ["x", "y"])
input_x = ms.Tensor(np.array([1.0], np.float32))
y0 = net(input_x)
model.train(1, data)
y1 = net(input_x)
print(y1)
# [0.9046537]
model.train(1, data)
y2 = net(input_x)
print(y2)
# [0.8393387]