mindspore.ops.ApplyAdagrad
- class mindspore.ops.ApplyAdagrad(update_slots=True)[源代码]
根据Adagrad算法更新相关参数。
Adagrad算法在论文 Adaptive Subgradient Methods for Online Learning and Stochastic Optimization 中提出。针对不同参数样本数不均匀的问题,自适应的为各个参数分配不同的学习率。
\[\begin{split}\begin{array}{ll} \\ accum += grad * grad \\ var -= lr * grad * \frac{1}{\sqrt{accum}} \end{array}\end{split}\]var 、 accum 和 grad 的输入遵循隐式类型转换规则,使数据类型一致。如果它们具有不同的数据类型,较低精度的数据类型将转换为相对最高精度的数据类型。
- 参数:
update_slots (bool) - 是否更新 accum 参数,如果为
True
, accum 将更新。默认值为:True
。
- 输入:
var (Parameter) - 要更新的权重。数据类型为float32或float16。shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。
accum (Parameter) - 要更新的累积。shape必须与 var 相同。
lr (Union[Number, Tensor]) - 学习率,必须是Scalar。数据类型为float32或float16。
grad (Tensor) - 梯度,为一个Tensor。shape必须与 var 相同。
- 输出:
2个Tensor组成的tuple,更新后的数据。
var (Tensor) - shape和数据类型与 var 相同。
accum (Tensor) - shape和数据类型与 accum 相同。
- 异常:
TypeError - 如果 var 、 accum 、 lr 或 grad 的数据类型既不是float16也不是float32。
TypeError - 如果 lr 既不是数值型也不是Tensor。
TypeError - 如果 var 、 accum 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_adagrad = ops.ApplyAdagrad() ... self.var = Parameter(Tensor(np.array([[0.6, 0.4], ... [0.1, 0.5]]).astype(np.float32)), name="var") ... self.accum = Parameter(Tensor(np.array([[0.6, 0.5], ... [0.2, 0.6]]).astype(np.float32)), name="accum") ... def construct(self, lr, grad): ... out = self.apply_adagrad(self.var, self.accum, lr, grad) ... return out ... >>> net = Net() >>> lr = Tensor(0.001, mindspore.float32) >>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32)) >>> output = net(lr, grad) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[ 5.99638879e-01, 3.99296492e-01], [ 9.97817814e-02, 4.99281585e-01]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 6.90000057e-01, 9.90000010e-01], [ 2.10000008e-01, 1.24000001e+00]]))