比较与torch.optim.SparseAdam的差异

查看源文件

torch.optim.SparseAdam

class torch.optim.SparseAdam(
    params,
    lr=0.001,
    betas=(0.9, 0.999),
    eps=1e-08
)

更多内容详见torch.optim.SparseAdam

mindspore.nn.LazyAdam

class mindspore.nn.LazyAdam(
    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
)

更多内容详见mindspore.nn.LazyAdam

差异对比

torch.optim.SparseAdam 为PyTorch中专门用于稀疏场景的Adam算法;

mindspore.nn.LazyAdam 既可以用于常规场景,也可以用于稀疏场景:

  • 当输入梯度为稀疏Tensor时,默认参数下 mindspore.nn.LazyAdamtorch.optim.SparseAdam 一致,但 mindspore.nn.LazyAdam 当前仅支持CPU后端;

  • 当输入梯度为非稀疏时,mindspore.nn.LazyAdam 自动执行 mindspore.nn.Adam 算法,且支持CPU/GPU/Ascend后端。

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,参数名不同

参数3

betas

beta1, beta2

功能一致,参数名不同

参数4

eps

eps

功能一致

参数5

-

use_locking

MindSpore的 use_locking 表示是否对参数更新加锁保护,PyTorch无此参数

参数6

-

use_nesterov

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

参数7

-

weight_decay

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.LazyAdam(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.SparseAdam(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()