mindspore.experimental

实验性模块。

实验性优化器

接口名	概述	支持平台
`mindspore.experimental.optim.Optimizer`	用于参数更新的优化器基类。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.Adam`	Adaptive Moment Estimation (Adam)算法的实现。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.AdamW`	Adaptive Moment Estimation Weight Decay(AdamW)算法的实现。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.SGD`	随机梯度下降算法。	`Ascend` `GPU` `CPU`

LRScheduler类

本模块中的动态学习率都是LRScheduler的子类，此模块仅与mindspore.experimental.optim下的优化器配合使用，使用时将优化器实例传递给LRScheduler类。在训练过程中，LRScheduler子类通过调用 step 方法进行学习率的动态改变。

import mindspore
from mindspore import nn
from mindspore.experimental import optim
# Define the network structure of LeNet5. Refer to
# https://gitee.com/mindspore/docs/blob/r2.2/docs/mindspore/code/lenet.py

net = LeNet5()
loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
optimizer = optim.Adam(net.trainable_params(), lr=0.05)
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=2, gamma=0.1)
def forward_fn(data, label):
    logits = net(data)
    loss = loss_fn(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
for epoch in range(6):
    # Create the dataset taking MNIST as an example. Refer to
    # https://gitee.com/mindspore/docs/blob/r2.2/docs/mindspore/code/mnist.py

    for data, label in create_dataset(need_download=False):
        train_step(data, label)
    scheduler.step()

接口名	概述	支持平台
`mindspore.experimental.optim.lr_scheduler.LRScheduler`	动态学习率的基类。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.ChainedScheduler`	保存多个学习率调度器的链表，调用 ChainedScheduler.step() 可以执行 schedulers 中每一个学习率调度器的 step() 函数。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.ConstantLR`	将每个参数组的学习率按照衰减因子 factor 进行衰减，直到 last_epoch 达到 total_iters。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.CosineAnnealingLR`	使用余弦退火对优化器参数组的学习率进行改变。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.CosineAnnealingWarmRestarts`	使用余弦退火热重启对优化器参数组的学习率进行改变。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.CyclicLR`	根据循环学习率策略（CLR）设置每个参数组的学习率。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.ExponentialLR`	每个epoch呈指数衰减的学习率，即乘以 gamma 。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.LambdaLR`	将每个参数组的学习率设定为初始学习率乘以指定的 lr_lambda 函数。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.LinearLR`	线性减小学习率乘法因子，并将每个参数组的学习率按照此乘法因子进行衰减，直到 last_epoch 数达到 total_iters。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.MultiplicativeLR`	将每个参数组当前的学习率按照传入的 lr_lambda 函数乘以指定的乘法因子。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.MultiStepLR`	当epoch/step达到 milestones 时，将每个参数组的学习率按照乘法因子 gamma 进行变化。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.PolynomialLR`	每个epoch，学习率通过多项式拟合来调整。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.ReduceLROnPlateau`	当指标停止改进时降低学习率。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.SequentialLR`	SequentialLR 接收一个将被顺序调用的学习率调度器列表 schedulers，及指定的间隔列表 milestone，milestone 设定了每个epoch哪个调度器被调用。	`Ascend` `GPU` `CPU`
`mindspore.experimental.optim.lr_scheduler.StepLR`	每 step_size 个epoch按 gamma 衰减每个参数组的学习率。	`Ascend` `GPU` `CPU`