比较与torch.optim.Adagrad的差异
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 |
|
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 |
|
参数7 |
- |
update_slots |
MindSpore的 |
|
参数8 |
- |
loss_scale |
MindSpore的 |
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()