比较与torch.optim.Rprop的差异
torch.optim.Rprop
class torch.optim.Rprop(
params,
lr=0.01,
etas=(0.5, 1.2),
step_sizes=(1e-06, 50)
)
更多内容详见torch.optim.Rprop。
mindspore.nn.Rprop
class mindspore.nn.Rprop(
params,
learning_rate=0.1,
etas=(0.5, 1.2),
step_sizes=(1e-06, 50),
weight_decay=0.0,
)
更多内容详见mindspore.nn.Rprop。
差异对比
PyTorch和MindSpore此优化器实现算法不同,详情请参考官网公式。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
params |
params |
功能一致 |
参数2 |
lr |
learning_rate |
功能一致,参数名及默认值不同 |
|
参数3 |
etas |
etas |
功能一致,参数名不同 |
|
参数4 |
step_sizes |
step_sizes |
功能一致 |
|
参数5 |
- |
weight_decay |
PyTorch无此参数 |
代码示例
# MindSpore.
import mindspore
from mindspore import nn
net = nn.Dense(2, 3)
optimizer = nn.Rprop(net.trainable_params())
criterion = nn.MAELoss(reduction="mean")
def forward_fn(data, label):
logits = net(data)
loss = criterion(logits, label)
return loss, logits
grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True)
def train_step(data, label):
(loss, _), grads = grad_fn(data, label)
optimizer(grads)
return loss
# PyTorch
import torch
model = torch.nn.Linear(2, 3)
criterion = torch.nn.L1Loss(reduction='mean')
optimizer = torch.optim.Rprop(model.parameters())
def train_step(data, label):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, label)
loss.backward()
optimizer.step()