比较与torch.optim.Adam的差异

查看源文件

torch.optim.Adam

class torch.optim.Adam(
    params,
    lr=0.001,
    betas=(0.9, 0.999),
    eps=1e-08,
    weight_decay=0,
    amsgrad=False
)

更多内容详见torch.optim.Adam

mindspore.nn.Adam

class mindspore.nn.Adam(
    params,
    learning_rate=1e-3,
    beta1=0.9,
    beta2=0.999,
    eps=1e-8,
    use_locking=False,
    use_nesterov=False,  
    weight_decay=0.0,
    loss_scale=1.0,
    use_amsgrad=False,
    **kwargs
)

更多内容详见mindspore.nn.Adam

差异对比

mindspore.nn.Adam 可以覆盖 torch.optim.Adam 的功能,且默认参数下功能一致。mindspore.nn.Adam 中相比PyTorch多出的入参用于控制其他功能,详情请参考官网注释。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

params

params

一致

参数2

lr

learning_rate

功能一致,参数名不同

参数3

eps

eps

一致

参数4

weight_decay

weight_decay

一致

参数5

amsgrad

use_amsgrad

功能一致,参数名不同

参数6

betas

beta1, beta2

功能一致,参数名不同

参数7

-

use_locking

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

参数8

-

use_nesterov

MindSpore的 use_nesterov 表示是否使用NAG算法更新梯度,PyTorch无此参数

参数9

-

loss_scale

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

参数10

-

kwargs

MindSpore中 kwargs 中传入的入参名为”use_lazy”和”use_offload”的参数可被解析生效,表示是否使用Lazy Adam算法或Offload Adam算法,PyTorch无此参数

代码示例

# MindSpore
import mindspore
from mindspore import nn

net = nn.Dense(2, 3)
optimizer = nn.Adam(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.Adam(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()