mindspore.ops.SparseApplyAdagradV2

class mindspore.ops.SparseApplyAdagradV2(lr, epsilon, update_slots=True, use_locking=False)[源代码]

根据Adagrad算法更新相关参数。

\[\begin{split}\begin{array}{ll} \\ accum += grad * grad \\ var -= lr * grad * \frac{1}{\sqrt{accum} + \epsilon} \end{array}\end{split}\]

\(\epsilon\) 代表 epsilon

varaccumgrad 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。

参数:
  • lr (float) - 学习率。

  • epsilon (float) - 添加到分母上的较小值,以确保数值的稳定性。

  • update_slots (bool) - 如果为 True ,则将更新 accum 。默认值: True

  • use_locking (bool) - 是否对参数更新加锁保护。默认值: False

输入:
  • var (Parameter) - 要更新的变量。为任意维度,其数据类型为float16或float32。其shape为 \((N, *)\) ,其中 \(*\) 为任意数量的额外维度。

  • accum (Parameter) - 要更新的累积。shape必须与 var 相同。

  • grad (Tensor) - 梯度,为一个Tensor。shape必须与 var 相同,且需要满足当 var.shape > 1\(grad.shape[1:] = var.shape[1:]\)

  • indices (Tensor) - varaccum 第一维度的索引向量,数据类型为int32,且需要保证 \(indices.shape[0] = grad.shape[0]\)

输出:

2个Tensor组成的tuple,更新后的参数。

  • 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 lr 或者 epsilon 不是float类型。

  • TypeError - 如果 update_slots 或者 use_locking 不是布尔值。

  • TypeError - 如果 varaccumlrgrad 的数据类型既不是float16也不是float32。

  • TypeError - 如果 indices 的数据类型不是int32。

  • RuntimeError - 如果 varaccumgrad 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.sparse_apply_adagrad_v2 = ops.SparseApplyAdagradV2(lr=1e-8, epsilon=1e-6)
...         self.var = Parameter(Tensor(np.array([[0.2]]).astype(np.float32)), name="var")
...         self.accum = Parameter(Tensor(np.array([[0.1]]).astype(np.float32)), name="accum")
...
...     def construct(self, grad, indices):
...         out = self.sparse_apply_adagrad_v2(self.var, self.accum, grad, indices)
...         return out
...
>>> net = Net()
>>> grad = Tensor(np.array([[0.7]]).astype(np.float32))
>>> indices = Tensor(np.array([0]), mindspore.int32)
>>> output = net(grad, indices)
>>> print(output)
(Tensor(shape=[1, 1], dtype=Float32, value=
[[ 1.99999988e-01]]), Tensor(shape=[1, 1], dtype=Float32, value=
[[ 5.89999974e-01]]))