比较与torch.optim.Adagrad的差异

查看源文件

torch.optim.Adagrad

class torch.optim.Adagrad(
    params,
    lr=0.01,
    lr_decay=0,
    weight_decay=0,
    initial_accumulator_value=0,
    eps=1e-10
)

更多内容详见torch.optim.Adagrad

mindspore.nn.Adagrad

class mindspore.nn.Adagrad(
    params,
    accum=0.1,
    learning_rate=0.001,
    update_slots=True,
    loss_scale=1.0,
    weight_decay=0.0
)

更多内容详见mindspore.nn.Adagrad

差异对比

PyTorch和MindSpore此优化器实现算法不同,PyTorch在每一轮迭代中对学习率进行衰减,且在除法计算中加入 eps 以维持计算稳定性,MindSpore中无此过程,详情请参考官网公式。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

params

params

功能一致

参数2

lr

learning_rate

功能一致,参数名及默认值不同

参数3

lr_decay

-

PyTorch的 lr_decay 表示学习率的衰减值,MindSpore无此参数

参数4

weight_decay

weight_decay

功能一致

参数5

initial_accumulator_value

accum

功能一致,参数名及默认值不同

参数6

eps

-

PyTorch的 eps 用于加在除法的分母上以增加计算稳定性,MindSpore无此参数

参数7

-

update_slots

MindSpore的 update_slots 表示是否更新累加器,PyTorch无此参数

参数8

-

loss_scale

MindSpore的 loss_scale 为梯度缩放系数,PyTorch无此参数

代码示例

# MindSpore
import mindspore
from mindspore import nn

net = nn.Dense(2, 3)
optimizer = nn.Adagrad(net.trainable_params())
criterion = nn.MAELoss(reduction="mean")

def forward_fn(data, label):
    logits = net(data)
    loss = criterion(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

# PyTorch
import torch

model = torch.nn.Linear(2, 3)
criterion = torch.nn.L1Loss(reduction='mean')
optimizer = torch.optim.Adagrad(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()