mindspore.experimental.optim.Rprop

class mindspore.experimental.optim.Rprop(params, lr=0.01, etas=(0.5, 1.2), step_sizes=(1e-06, 50), *, maximize=False)[源代码]

Rprop 算法的实现。

警告

这是一个实验性的优化器接口，需要和 LRScheduler 下的动态学习率接口配合使用。

参数：

params (Union[list(Parameter), list(dict)]) - 网络参数的列表或指定了参数组的列表。
lr (Union[int, float, Tensor], 可选) - 学习率。默认值：1e-2。
etas (Tuple[float, float], 可选) - (etaminus, etaplus)，进行增大和减小的因子。默认值：(0.5, 1.2)。
step_sizes (Tuple[float, float], 可选) - 设定的最小步长和最大步长。默认值：(1e-6, 50)。

关键字参数：

maximize (bool, 可选) - 是否根据目标函数最大化网络参数。默认值：False。

输入：

gradients (tuple[Tensor]) - 网络权重的梯度。

异常：

ValueError - 学习率不是int、float或Tensor。
ValueError - 学习率小于0。
ValueError - etas[1] 小于等于1.。
ValueError - etas[0] 不在0-1之间。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import nn
>>> from mindspore.experimental import optim
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.3.1/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optimizer = optim.Rprop(net.trainable_params(), lr=0.1)
>>> def forward_fn(data, label):
...     logits = net(data)
...     loss = loss_fn(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