# 比较与torch.optim.Adam的差异
[](https://gitee.com/mindspore/docs/blob/r2.3.1/docs/mindspore/source_zh_cn/note/api_mapping/pytorch_diff/Adam.md)
## torch.optim.Adam
```python
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](https://pytorch.org/docs/1.8.0/optim.html#torch.optim.Adam)。
## mindspore.nn.Adam
```python
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](https://mindspore.cn/docs/zh-CN/r2.3.1/api_python/nn/mindspore.nn.Adam.html#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
```python
# 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()
```