mindspore.ops.ApplyMomentum
- class mindspore.ops.ApplyMomentum(use_nesterov=False, use_locking=False, gradient_scale=1.0)[源代码]
使用动量算法的优化器。
更多详细信息,请参阅论文 On the importance of initialization and momentum in deep learning 。
输入的 variable 、 accumulation 和 gradient 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,则低精度数据类型将转换为相对最高精度的数据类型。
有关公式和用法的更多详细信息,请参阅
mindspore.nn.Momentum
。- 参数:
use_locking (bool) - 是否对参数更新加锁保护。默认值:
False
。use_nesterov (bool) - 是否使用nesterov动量。默认值:
False
。gradient_scale (float) - 梯度的缩放比例。默认值:
1.0
。
- 输入:
variable (Parameter) - 要更新的权重。数据类型必须为float。
accumulation (Parameter) - 按动量权重计算的累加梯度值,数据类型与 variable 相同。
learning_rate (Union[Number, Tensor]) - 学习率,必须是float或为float数据类型的Scalar的Tensor。
gradient (Tensor) - 梯度,数据类型与 variable 相同。
momentum (Union[Number, Tensor]) - 动量,必须是float或为float数据类型的Scalar的Tensor。
- 输出:
Tensor,更新后的参数。
- 异常:
TypeError - 如果 use_locking 或 use_nesterov 不是bool,或 gradient_scale 不是float。
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_momentum = ops.ApplyMomentum() ... self.variable = Parameter(Tensor(np.array([[0.6, 0.4], ... [0.1, 0.5]]).astype(np.float32)), name="variable") ... self.accumulate = Parameter(Tensor(np.array([[0.6, 0.5], ... [0.2, 0.6]]).astype(np.float32)), name="accumulate") ... def construct(self, lr, grad, moment): ... out = self.apply_momentum(self.variable, self.accumulate, lr, grad, moment) ... return out >>> net = Net() >>> lr = Tensor(0.1, mindspore.float32) >>> moment = Tensor(0.9, mindspore.float32) >>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32)) >>> output = net(lr, grad, moment) >>> print(output) [[0.51600003 0.285 ] [0.072 0.366 ]]