文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.ApplyAdagradDA

class mindspore.ops.ApplyAdagradDA(use_locking=False)

根据Adagrad算法更新 var 。

Adagrad算法在论文 Adaptive Subgradient Methods for Online Learning and Stochastic Optimization 中提出。

$$\begin{array}{r}\begin{array}{l}\\ grad\mathrm{\_}accum+=grad\\ grad\mathrm{\_}squared\mathrm{\_}accum+=grad\ast grad\\ tmp\mathrm{\_}val=\{\begin{array}{ll}sign(grad\mathrm{\_}accum)\ast max\{|grad\mathrm{\_}accum|-l1\ast global\mathrm{\_}step,0\}& \text{ if }l1>0\\ grad\mathrm{\_}accum& \text{ otherwise }\end{array}\\ x\mathrm{\_}value=-1\ast lr\ast tmp\mathrm{\_}val\\ y\mathrm{\_}value=l2\ast global\mathrm{\_}step\ast lr+\sqrt{grad\mathrm{\_}squared\mathrm{\_}accum}\\ var=\frac{x\mathrm{\_}value}{y\mathrm{\_}value}\end{array}\end{array}$$

var 、 gradient_accumulator 、 gradient_squared_accumulator 和 grad 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。

参数：

• use_locking (bool) - 如果为 True ， var 和 gradient_accumulator 的更新将受到锁的保护。否则，行为为未定义，很可能出现较少的冲突。默认值为 False 。

输入：

• var (Parameter) - 要更新的变量。数据类型必须为float16或float32。shape： $(N,\ast )$ ，其中 $\ast$ 表示任意数量的附加维度。

• gradient_accumulator (Parameter) - 要更新累积的梯度，为公式中的 $grad\mathrm{\_}accum$ 。shape必须与 var 相同。

• gradient_squared_accumulator (Parameter) - 要更新的平方累积的梯度， 为公式中的 $grad\mathrm{\_}squared\mathrm{\_}accum$ 。shape必须与 var 相同。

• grad (Tensor) - 梯度，为一个Tensor。shape必须与 var 相同。

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

• l1 ([Number, Tensor]) - L1正则化。必须是Scalar。数据类型为float32或float16。

• l2 ([Number, Tensor]) - L2正则化。必须是Scalar。数据类型为float32或float16。

• global_step ([Number, Tensor]) - 训练步骤的编号。必须是Scalar。数据类型为int32或int64。

输出：

3个Tensor组成的tuple，更新后的参数。

• var (Tensor) - shape和数据类型与 var 相同。

• gradient_accumulator (Tensor) - shape和数据类型与 gradient_accumulator 相同。

• gradient_squared_accumulator (Tensor) - shape和数据类型与 gradient_squared_accumulator 相同。

异常：

• TypeError - 如果 var 、 gradient_accumulator 或 gradient_squared_accumulator 不是Parameter。

• TypeError - 如果 grad 不是 Tensor。

• TypeError - 如果 lr 、 l1 、 l2 或者 global_step 既不是数值型也不是Tensor。

• TypeError - 如果 use_locking 不是bool。

• TypeError - 如果 var 、 gradient_accumulator 、 gradient_squared_accumulator 、 grad 、 lr 、 l1 或 l2 的数据类型既不是float16也不是float32。

• TypeError - 如果 gradient_accumulator 、 gradient_squared_accumulator 、 grad 与 var 的数据类型不相同。

• TypeError - 如果 global_step 的数据类型不是int32也不是int64。

• ValueError - 如果 lr 、 l1 、 l2 和 global_step 的shape大小不为0。

• TypeError - 如果 var 、 gradient_accumulator 、 gradient_squared_accumulator 和 grad 不支持数据类型转换。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor, nn, ops, Parameter
>>> class ApplyAdagradDANet(nn.Cell):
...     def __init__(self, use_locking=False):
...         super(ApplyAdagradDANet, self).__init__()
...         self.apply_adagrad_d_a = ops.ApplyAdagradDA(use_locking)
...         self.var = Parameter(Tensor(np.array([[0.6, 0.4], [0.1, 0.5]]).astype(np.float32)), name="var")
...         self.gradient_accumulator = Parameter(Tensor(np.array([[0.1, 0.3],
...                                                                [0.1, 0.5]]).astype(np.float32)),
...                                               name="gradient_accumulator")
...         self.gradient_squared_accumulator = Parameter(Tensor(np.array([[0.2, 0.1],
...                                                                        [0.1, 0.2]]).astype(np.float32)),
...                                                       name="gradient_squared_accumulator")
...         self.gradient_accumulator = Parameter(Tensor(np.array([[0.1, 0.3],
...                                                                [0.1, 0.5]]).astype(np.float32)),
...                                               name="gradient_accumulator")
...     def construct(self, grad, lr, l1, l2, global_step):
...         out = self.apply_adagrad_d_a(self.var, self.gradient_accumulator,
...                                      self.gradient_squared_accumulator, grad, lr, l1, l2, global_step)
...         return out
...
>>> net = ApplyAdagradDANet()
>>> grad = Tensor(np.array([[0.3, 0.4], [0.1, 0.2]]).astype(np.float32))
>>> lr = Tensor(0.001, mstype.float32)
>>> l1 = Tensor(0.001, mstype.float32)
>>> l2 = Tensor(0.001, mstype.float32)
>>> global_step = Tensor(2, mstype.int32)
>>> output = net(grad, lr, l1, l2, global_step)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[-7.39064650e-04, -1.36888528e-03],
 [-5.96988888e-04, -1.42478070e-03]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 4.00000006e-01,  7.00000048e-01],
 [ 2.00000003e-01,  6.99999988e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 2.90000021e-01,  2.60000020e-01],
 [ 1.09999999e-01,  2.40000010e-01]]))