mindspore.experimental.optim.ASGD
- class mindspore.experimental.optim.ASGD(params, lr=0.01, lambd=0.0001, alpha=0.75, t0=1000000.0, weight_decay=0.0, maximize=False)[源代码]
Averaged Stochastic Gradient Descent 算法的实现。
警告
这是一个实验性的优化器接口,需要和 LRScheduler 下的动态学习率接口配合使用。
- 参数:
params (Union[list(Parameter), list(dict)]) - 网络参数的列表或指定了参数组的列表。
lr (Union[int, float, Tensor], 可选) - 学习率。默认值:
1e-2
。lambd (float, 可选) - 衰减项。默认值:
1e-4
。alpha (float, 可选) - eta更新的幂。默认值:
0.75
。t0 (float, 可选) - 开始计算平均的时刻。默认值:
1e6
。weight_decay (float, 可选) - 权重衰减(L2 penalty)。默认值:
0.
。maximize (bool, 可选) - 是否根据目标函数最大化网络参数。默认值:
False
。
- 输入:
gradients (tuple[Tensor]) - 网络权重的梯度。
- 异常:
ValueError - 学习率不是int、float或Tensor。
ValueError - 学习率小于0。
ValueError - weight_decay 小于0。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> from mindspore import nn >>> from mindspore.experimental import optim >>> # Define the network structure of LeNet5. Refer to >>> # https://gitee.com/mindspore/docs/blob/r2.3.0rc2/docs/mindspore/code/lenet.py >>> net = LeNet5() >>> loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True) >>> optimizer = optim.ASGD(net.trainable_params(), lr=0.1) >>> def forward_fn(data, label): ... logits = net(data) ... loss = loss_fn(logits, label) ... return loss, logits >>> grad_fn = mindspore.value_and_grad(forward_fn, None, optimizer.parameters, has_aux=True) >>> def train_step(data, label): ... (loss, _), grads = grad_fn(data, label) ... optimizer(grads) ... return loss