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