mindspore.ops.ApplyAdaMax
- class mindspore.ops.ApplyAdaMax[源代码]
根据AdaMax算法更新相关参数。
AdaMax优化器是参考 Adam论文 中Adamax优化相关内容所实现的。
更新公式如下:
\[\begin{split}\begin{array}{ll} \\ m_{t+1} = \beta_1 * m_{t} + (1 - \beta_1) * g \\ v_{t+1} = \max(\beta_2 * v_{t}, \left| g \right|) \\ var = var - \frac{l}{1 - \beta_1^{t+1}} * \frac{m_{t+1}}{v_{t+1} + \epsilon} \end{array}\end{split}\]\(t\) 表示更新步数, \(m\) 为一阶矩, \(m_{t}\) 是上一步的 \(m_{t+1}\) , \(v\) 为二阶矩, \(v_{t}\) 是上一步的 \(v_{t+1}\) , \(l\) 代表学习率 lr , \(g\) 代表 grad , \(\beta_1, \beta_2\) 代表 beta1 和 beta2 , \(\beta_1^{t+1}\) 代表 beta1_power , \(var\) 代表要更新的网络参数, \(\epsilon\) 代表 epsilon 。
var 、 m 、 v 和 grad 的输入符合隐式类型转换规则,使数据类型一致。如果它们具有不同的数据类型,则低精度数据类型将转换为相对最高精度的数据类型。
- 输入:
var (Parameter) - 待更新的网络参数,为任意维度。数据类型为float32或float16。其shape为 \((N, *)\) ,其中 \(*\) 为任意数量的额外维度。
m (Parameter) - 一阶矩,shape与 var 相同。数据类型为float32或float16。
v (Parameter) - 二阶矩。shape与 var 相同。数据类型为float32或float16。
beta1_power (Union[Number, Tensor]) - \(beta_1^t\) ,必须是Scalar。数据类型为float32或float16。
lr (Union[Number, Tensor]) - 学习率,公式中的 \(l\) ,必须是Scalar。数据类型为float32或float16。
beta1 (Union[Number, Tensor]) - 一阶矩的指数衰减率,必须是Scalar。数据类型为float32或float16。
beta2 (Union[Number, Tensor]) - 二阶矩的指数衰减率,必须是Scalar。数据类型为float32或float16。
epsilon (Union[Number, Tensor]) - 加在分母上的值,以确保数值稳定,必须是Scalar。数据类型为float32或float16。
grad (Tensor) - 为梯度,是一个Tensor,shape与 var 相同。数据类型为float32或float16。
- 输出:
3个Tensor组成的tuple,更新后的数据。
var (Tensor) - shape和数据类型与 var 相同。
m (Tensor) - shape和数据类型与 m 相同。
v (Tensor) - shape和数据类型与 v 相同。
- 异常:
TypeError - 如果 var 、 m 、 v 、 beta_power 、 lr 、 beta1 、 beta2 、 epsilon 或 grad 的数据类型既不是float16也不是float32。
TypeError - 如果 beta_power 、 lr 、 beta1 、 beta2 或 epsilon 既不是数值型也不是Tensor。
TypeError - 如果 grad 不是Tensor。
TypeError - 如果 var 、 m 、 v 和 grad 不支持数据类型转换。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, nn, ops, Parameter >>> class Net(nn.Cell): ... def __init__(self): ... super(Net, self).__init__() ... self.apply_ada_max = ops.ApplyAdaMax() ... self.var = Parameter(Tensor(np.array([[0.6, 0.4], ... [0.1, 0.5]]).astype(np.float32)), name="var") ... self.m = Parameter(Tensor(np.array([[0.6, 0.5], ... [0.2, 0.6]]).astype(np.float32)), name="m") ... self.v = Parameter(Tensor(np.array([[0.9, 0.1], ... [0.7, 0.8]]).astype(np.float32)), name="v") ... def construct(self, beta1_power, lr, beta1, beta2, epsilon, grad): ... out = self.apply_ada_max(self.var, self.m, self.v, beta1_power, lr, beta1, beta2, epsilon, grad) ... return out ... >>> net = Net() >>> beta1_power =Tensor(0.9, mindspore.float32) >>> lr = Tensor(0.001, mindspore.float32) >>> beta1 = Tensor(0.9, mindspore.float32) >>> beta2 = Tensor(0.99, mindspore.float32) >>> epsilon = Tensor(1e-10, mindspore.float32) >>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32)) >>> output = net(beta1_power, lr, beta1, beta2, epsilon, grad) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.93602717e-01, 3.92571449e-01], [ 9.72582996e-02, 4.92249995e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.69999993e-01, 5.19999981e-01], [ 1.89999998e-01, 6.20000005e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 8.90999973e-01, 6.99999988e-01], [ 6.93000019e-01, 8.00000012e-01]]))