mindspore.ops.AdamWeightDecay
- class mindspore.ops.AdamWeightDecay(use_locking=False)[源代码]
通过具有权重衰减的自适应矩估计算法(AdamWeightDecay)更新梯度。 Adam算法在 Adam:随机优化方法 中提出。
AdamWeightDecay是Adam算法的变体,在 解耦权重衰变正则化 中提出的。
更新公式如下:
\[\begin{split}\begin{array}{ll} \\ m = \beta_1 * m + (1 - \beta_1) * g \\ v = \beta_2 * v + (1 - \beta_2) * g * g \\ update = \frac{m}{\sqrt{v} + \epsilon} \\ update = \begin{cases} update + weight\_decay * w & \text{ if } weight\_decay > 0 \\ update & \text{ otherwise } \end{cases} \\ w = w - lr * update \end{array}\end{split}\]\(m\) 代表第一个矩向量,\(v\) 代表第二个矩向量,\(g\) 代表 gradient ,\(\beta_1, \beta_2\) 代表 beta1 和 beta2 ,\(lr\) 代表 learning_rate ,\(w\) 代表 var , \(decay\) 代表 weight_decay , \(\epsilon\) 代表 epsilon 。
- 参数:
use_locking (bool) - 是否对参数更新加锁保护。如果为
True
,则 var 、 m 和 v 张量的更新将受到锁的保护。如果为False
,则结果不可预测。默认值:False
。
- 输入:
var (Parameter) - 需要更新的权重。shape为 \((N, *)\) 其中 \(*\) 表示任何数量的附加维度,数据类型可以是float16或float32。
m (Parameter) - 更新公式中的第一个动量矩阵,它的shape应该和 var 一致,数据类型可以是float16或float32。
v (Parameter) - 更新公式中的第二个动量矩阵,shape与 m 相同。
lr (float) - 更新公式中的 \(lr\) 。其论文建议值为 \(10^{-8}\) ,数据类型应为float32。
beta1 (float) - 第一个动量矩阵的指数衰减率,数据类型应为float32。论文建议的值是 \(0.9\) 。
beta2 (float) - 第二个动量矩阵的指数衰减率,数据类型应为float32。论文建议的值是 \(0.999\) 。
epsilon (float) - 添加到分母中的值,以提高数值稳定性,数据类型应为float32。
decay (float) - 权重衰减值,必须是具有float32数据类型的标量张量。默认值:
0.0
。gradient (Tensor) - 梯度,shape与 var 相同。
- 输出:
3个张量的Tuple,为更新后的参数。
var (Tensor) - 具有与 var 相同的shape和数据类型。
m (Tensor) - 具有与 m 相同的shape和数据类型。
v (Tensor) - 具有与 v 相同的shape和数据类型。
- 异常:
TypeError - 如果 use_locking 不是bool类型。
TypeError - 如果 lr 、 beta1 、 beta2 、 epsilon 或者 decay 不是float32。
TypeError - 如果 var 、 m 或者 v 不是数据类型为float16或者float32的Parameter。
TypeError - 如果 gradient 不是Tensor。
ValueError - 如果 epsilon 小于等于0。
ValueError - 如果 beta1 、 beta2 不在(0.0,1.0)范围内。
ValueError - 如果 decay 小于0。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> import mindspore.nn as nn >>> from mindspore import Tensor, Parameter, ops >>> class Net(nn.Cell): ... def __init__(self): ... super(Net, self).__init__() ... self.adam_weight_decay = ops.AdamWeightDecay() ... self.var = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="var") ... self.m = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="m") ... self.v = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="v") ... def construct(self, lr, beta1, beta2, epsilon, decay, grad): ... out = self.adam_weight_decay(self.var, self.m, self.v, lr, beta1, beta2, ... epsilon, decay, grad) ... return out >>> net = Net() >>> gradient = Tensor(np.ones([2, 2]).astype(np.float32)) >>> output = net(0.001, 0.9, 0.999, 1e-8, 0.0, gradient) >>> print(net.var.asnumpy()) [[0.999 0.999] [0.999 0.999]]