文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.SparseApplyFtrl

class mindspore.ops.SparseApplyFtrl(lr, l1, l2, lr_power, use_locking=False)

根据FTRL-proximal算法更新相关参数。

更多详细信息请参见 mindspore.nn.FTRL 。

参数：

• lr (float) - 学习率，必须为正值。

• l1 (float) - l1正则化，必须大于或等于零。

• l2 (float) - l2正则化，必须大于或等于零。

• lr_power (float) - 在训练期间控制降低学习率，必须小于或等于零。如果lr_power为零，则使用固定学习率。

• use_locking (bool, 可选) - 是否对参数更新加锁保护。默认值： False 。

输入：

• var (Parameter) - 要更新的权重。数据类型必须为float16或float32。shape为 $(N,\ast )$ ，其中 $\ast$ 表示任意数量的附加维度。

• accum (Parameter) - 要更新的累数值，shape必须与 var 相同。

• linear (Parameter) - 要更新的线性系数，shape必须与 var 相同。

• grad (Tensor) - 梯度，为一个Tensor。需要满足：如果 var.shape > 1，则 $grad.shape[1:]=var.shape[1:]$ 。

• indices (Tensor) - var 和 accum 第一维度的索引向量，数据类型为int32或int64，且需要保证 $indices.shape[0]=grad.shape[0]$ 。

输出：

• var (Tensor) - shape和数据类型与输入 var 相同。

• accum (Tensor) - shape和数据类型与输入 accum 相同。

• linear (Tensor) - shape和数据类型与输入 linear 相同。

异常：

• TypeError - 如果 lr 、 l1 、 l2 或 lr_power 不是float类型。

• TypeError - 如果 use_locking 不是bool。

• TypeError - 如果 var 、 grad 、linear 或者 grad 的数据类型既不是float16也不是float32。

• TypeError - 如果 indices 不是int32也不是int64类型。

• RuntimeError - 如果 var 、 grad 、linear 或者 grad 不支持数据类型转换。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, nn, Parameter, ops
>>> class SparseApplyFtrlNet(nn.Cell):
...     def __init__(self):
...         super(SparseApplyFtrlNet, self).__init__()
...         self.sparse_apply_ftrl = ops.SparseApplyFtrl(lr=0.01, l1=0.0, l2=0.0, lr_power=-0.5)
...         self.var = Parameter(Tensor(np.array([[0.2]]).astype(np.float32)), name="var")
...         self.accum = Parameter(Tensor(np.array([[0.1]]).astype(np.float32)), name="accum")
...         self.linear = Parameter(Tensor(np.array([[0.6]]).astype(np.float32)), name="linear")
...
...     def construct(self, grad, indices):
...         out = self.sparse_apply_ftrl(self.var, self.accum, self.linear, grad, indices)
...         return out
...
>>> net = SparseApplyFtrlNet()
>>> grad = Tensor(np.array([[0.7]]).astype(np.float32))
>>> indices = Tensor(np.ones([1]), mindspore.int32)
>>> output = net(grad, indices)
>>> print(output)
(Tensor(shape=[1, 1], dtype=Float32, value=
[[2.00000003e-01]]), Tensor(shape=[1, 1], dtype=Float32, value=
[[1.00000001e-01]]), Tensor(shape=[1, 1], dtype=Float32, value=
[[6.00000024e-01]]))