mindspore.ops.SGD

class mindspore.ops.SGD(dampening=0.0, weight_decay=0.0, nesterov=False)[源代码]

计算随机梯度下降。动量为可选。

Nesterov动量基于论文 On the importance of initialization and momentum in deep learning 里的公式。

说明

如果参数没有分组，优化器中的 weight_decay 将应用于名称中没有'beta'或'gamma'的网络参数。用户可以将参数分组来改变权重衰减的策略。当参数被分组时，每个组可以设置 weight_decay。如果没有，优化器中的 weight_decay 将被应用。 有关更多详细信息，请参阅： mindspore.nn.SGD 。

参数：

  • dampening (float) - 动量的抑制因子。默认值： 0.0 。

  • weight_decay (float) - 权重衰减系数（L2惩罚）。默认值： 0.0 。

  • nesterov (bool) - 是否启用Nesterov动量。默认值： False 。

输入：

  • parameters (Tensor) - 待更新的参数。数据类型为float16或float32。

  • gradient (Tensor) - 梯度，数据类型为float16或float32。

  • learning_rate (Tensor) - 学习率，是一个Scalar的Tensor，数据类型为float16或float32。例如Tensor(0.1, mindspore.float32)。

  • accum (Tensor) - 待更新的累加器（速度）。数据类型为float16或float32。

  • momentum (Tensor) - 动量，是一个Scalar的Tensor，数据类型为float16或float32。例如Tensor(0.1, mindspore.float32)。

  • stat (Tensor) - 待更新的状态，其shape与梯度相同，数据类型为float16或float32。

输出：

Tensor，更新后的参数。

异常：

  • TypeError - dampening 或 weight_decay 不是float。

  • TypeError - nesterov 不是bool。

  • TypeError - parameters 、 gradient 、 learning_rate 、 accum 、 momentum 或 stat 不是Tensor。

  • TypeError - parameters 、 gradient 、 learning_rate 、 accum 、 momentum 或 stat 的数据类型既不是float16也不是float32。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> sgd = ops.SGD()
>>> parameters = Tensor(np.array([2, -0.5, 1.7, 4]), mindspore.float32)
>>> gradient = Tensor(np.array([1, -1, 0.5, 2]), mindspore.float32)
>>> learning_rate = Tensor(0.01, mindspore.float32)
>>> accum = Tensor(np.array([0.1, 0.3, -0.2, -0.1]), mindspore.float32)
>>> momentum = Tensor(0.1, mindspore.float32)
>>> stat = Tensor(np.array([1.5, -0.3, 0.2, -0.7]), mindspore.float32)
>>> output = sgd(parameters, gradient, learning_rate, accum, momentum, stat)
>>> print(output.asnumpy())
[1.99 -0.4903 1.695 3.9801]