mindspore.experimental.optim.SGD

class mindspore.experimental.optim.SGD(params, lr, momentum=0, dampening=0, weight_decay=0.0, nesterov=False, *, maximize=False)[源代码]

随机梯度下降算法。

\[v_{t+1} = u \ast v_{t} + gradient \ast (1-dampening)\]

如果nesterov为True:

\[p_{t+1} = p_{t} - lr \ast (gradient + u \ast v_{t+1})\]

如果nesterov为False:

\[p_{t+1} = p_{t} - lr \ast v_{t+1}\]

需要注意的是,对于训练的第一步 \(v_{t+1} = gradient\)。其中,p、v和u分别表示 parametersaccummomentum

警告

这是一个实验性的优化器接口,需要和 LRScheduler 下的动态学习率接口配合使用。

参数:
  • params (Union[list(Parameter), list(dict)]) - 网络参数的列表或指定了参数组的列表。

  • lr (Union[int, float, Tensor]) - 学习率。

  • momentum (Union[int, float], 可选) - 动量值。默认值:0

  • weight_decay (float, 可选) - 权重衰减(L2 penalty),必须大于等于0。默认值:0.

  • dampening (Union[int, float], 可选) - 动量的阻尼值。默认值:0

  • nesterov (bool, 可选) - 启用Nesterov动量。如果使用Nesterov,动量必须为正,阻尼必须等于0.0。默认值:False

关键字参数:
  • maximize (bool, 可选) - 是否根据目标函数最大化网络参数。默认值:False

输入:
  • gradients (tuple[Tensor]) - 网络权重的梯度。

异常:
  • ValueError - 学习率不是int、float或Tensor。

  • ValueError - 学习率小于0。

  • ValueError - momentumweight_decay 值小于0.0。

  • ValueError - momentum, dampeningweight_decay 不是int或float。

  • ValueError - nesterovmaximize 不是布尔类型。

  • ValueError - nesterov 为True时, momentum 不为正或 dampening 不为0。

支持平台:

Ascend GPU CPU

样例:

>>> 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/r2.3.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optimizer = optim.SGD(net.trainable_params(), lr=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