mindspore.ops.LARSUpdate

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 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: $(N,\ast )$ ，其中 $\ast$ 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。

支持平台：

Ascend

样例：

>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.lars = ops.LARSUpdate()
...         self.reduce = ops.ReduceSum()
...         self.square = ops.Square()
...     def construct(self, weight, gradient):
...         w_square_sum = self.reduce(self.square(weight))
...         grad_square_sum = self.reduce(self.square(gradient))
...         grad_t = self.lars(weight, gradient, w_square_sum, grad_square_sum, 0.0, 1.0)
...         return grad_t
...
>>> weight = Tensor(np.array([[0.5, 0.8, 0.2], [0.6, 0.4, 0.2]]).astype(np.float32))
>>> gradient = Tensor(np.array([[0.4, 0.4, 0.5], [0.2, 0.4, 0.3]]).astype(np.float32))
>>> net = Net()
>>> output = net(Tensor(weight), Tensor(gradient))
>>> print(output)
[[0.0005265  0.0005265 0.00065813]
 [0.00026325 0.0005265 0.00039488]]