mindspore.experimental.optim.Adamax

class mindspore.experimental.optim.Adamax(params, lr=2e-3, betas=(0.9, 0.999), eps=1e-8, weight_decay=0.0, *, maximize=False)

Adamax算法的实现(基于无穷范数的Adam算法)。

更新公式如下：

$$\begin{array}{r}\begin{array}{rl}& \\ & \mathbf{\text{input}}:\gamma \text{ (lr)},{\beta }_1,{\beta }_2\text{ (betas)},{\theta }_0\text{ (params)},f(\theta )\text{ (objective)},\lambda \text{ (weight decay)},\\ & ϵ\text{ (epsilon)}\\ & \mathbf{\text{initialize}}:m_0\leftarrow 0\text{ ( first moment)},u_0\leftarrow 0\text{ ( infinity norm)}\\ & \\ & \mathbf{\text{for}}t=1\mathbf{\text{to}}\dots \mathbf{\text{do}}\\ & g_t\leftarrow {\mathrm{\nabla }}_{\theta }{f}_t({\theta }_{t-1})\\ & if\lambda \ne 0\\ & g_t\leftarrow g_t+\lambda {\theta }_{t-1}\\ & m_t\leftarrow {\beta }_1{m}_{t-1}+(1-{\beta }_1)g_t\\ & u_t\leftarrow \max ({\beta }_2{u}_{t-1},|g_t|+ϵ)\\ & {\theta }_t\leftarrow {\theta }_{t-1}-\frac{\gamma m_t}{(1-{\beta }_1^t)u_t}\\ & \\ & \mathbf{r}\mathbf{e}\mathbf{t}\mathbf{u}\mathbf{r}\mathbf{n}{\theta }_{\mathbf{t}}\\ & \end{array}\end{array}$$

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：2e-3。

• betas (Tuple[float, float], 可选) - 梯度及其平方的运行平均值的系数。默认值：(0.9, 0.999)。

• eps (float, 可选) - 加在分母上的值，以确保数值稳定。必须大于0。默认值：1e-8。

• weight_decay (float, 可选) - 权重衰减（L2 penalty）。默认值：0.。

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 - eps 小于0。

• ValueError - betas 范围不在[0,1)之间。

• ValueError - weight_decay 小于0。

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/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optimizer = optim.Adamax(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