mindspore.ops.ApplyAdadelta

class mindspore.ops.ApplyAdadelta

根据Adadelta算法更新相关参数。

Adadelta算法，具体细节可参考论文 ADADELTA: AN ADAPTIVE LEARNING RATE METHOD 。

\[\begin{split}\begin{array}{ll} \\ \text{accum} = \rho * \text{accum} + (1 - \rho) * \text{grad}^2 \\ \text{update} = \sqrt{\text{accum_update} + \epsilon} * \frac{\text{grad}}{\sqrt{\text{accum} + \epsilon}} \\ \text{accum_update} = \rho * \text{accum_update} + (1 - \rho) * \text{update}^2 \\ \text{var} = \text{var} - \text{lr} * \text{update} \end{array}\end{split}\]

其中 \(\rho\) 代表 rho ， \(\epsilon\) 代表 epsilon 。

var 、 accum 、 accum_update 和 grad 的输入遵循隐式类型转换规则，使数据类型一致。如果它们具有不同的数据类型，则较低精度的数据类型将转换为相对最高精度的数据类型。

输入：

• var (Parameter) - 待更新的公式参数 var。数据类型为float32或float16。shape： \((N, *)\) ，其中 \(*\) 表示任意数量的附加维度。

• accum (Parameter) - 待更新的公式参数 accum，shape和数据类型与 var 相同。

• accum_update (Parameter) - 待更新的公式参数 accum_update，shape和数据类型与 var 相同。

• lr (Union[Number, Tensor]) - 学习率，必须是Scalar。数据类型为float32或float16。

• rho (Union[Number, Tensor]) - 衰减率，必须是Scalar。数据类型为float32或float16。

• epsilon (Union[Number, Tensor]) - 加在分母上的值，以确保数值稳定，必须是Scalar。数据类型为float32或float16。

• grad (Tensor) - 梯度，shape和数据类型与 var 相同。

输出：

3个Tensor的元组，更新后的数据。

• var (Tensor) - 与 var 相同的shape和数据类型。

• accum (Tensor) - 与 accum 相同的shape和数据类型。

• accum_update (Tensor) - 与 accum_update 相同的shape和数据类型。

异常：

• TypeError - 如果 var 、 accum 、 accum_update 、 lr 、 rho 、 epsilon 或 grad 的数据类型既不是float16也不是float32。

• TypeError - 如果 accum_update 、 lr 、 rho 或 epsilon 既不是数值型也不是Tensor。

• TypeError - 如果 var 、 accum 、 accum_update 和 grad 不支持数据类型转换。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import nn, Tensor, ops, Parameter
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.apply_adadelta = ops.ApplyAdadelta()
...         self.var = Parameter(Tensor(np.array([[0.6, 0.4],
...                                               [0.1, 0.5]]).astype(np.float32)), name="var")
...         self.accum = Parameter(Tensor(np.array([[0.6, 0.5],
...                                                 [0.2, 0.6]]).astype(np.float32)), name="accum")
...         self.accum_update = Parameter(Tensor(np.array([[0.9, 0.1],
...                                                        [0.7, 0.8]]).astype(np.float32)),
...                                                             name="accum_update")
...     def construct(self, lr, rho, epsilon, grad):
...         out = self.apply_adadelta(self.var, self.accum, self.accum_update, lr, rho, epsilon, grad)
...         return out
...
>>> net = Net()
>>> lr = Tensor(0.001, mindspore.float32)
>>> rho = Tensor(0.0, mindspore.float32)
>>> epsilon = Tensor(1e-6, mindspore.float32)
>>> grad = Tensor(np.array([[0.3, 0.7], [0.1, 0.8]]).astype(np.float32))
>>> output = net(lr, rho, epsilon, grad)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[ 5.99051356e-01,  3.99683774e-01],
 [ 9.91633832e-02,  4.99105573e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 9.00000036e-02,  4.89999980e-01],
 [ 1.00000007e-02,  6.40000045e-01]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 8.99990857e-01,  1.00000791e-01],
 [ 6.99930906e-01,  7.99999774e-01]]))