mindspore.experimental.optim.Adagrad

class mindspore.experimental.optim.Adagrad(params, lr=1e-2, lr_decay=0.0, weight_decay=0.0, initial_accumulator_value=0.0, eps=1e-10, *, maximize=False)[源代码]

Adagrad算法的实现。

更新公式如下：

\[\begin{split}\begin{aligned} &\rule{110mm}{0.4pt} \\ &\textbf{input} : \gamma \text{ (lr)}, \: \theta_0 \text{ (params)}, \: f(\theta) \text{ (objective)}, \: \lambda \text{ (weight decay)}, \\ &\hspace{12mm} \tau \text{ (initial accumulator value)}, \: \eta\text{ (lr decay)}\\ &\textbf{initialize} : state\_sum_0 \leftarrow 0 \\[-1.ex] &\rule{110mm}{0.4pt} \\ &\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\ &\hspace{5mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\ &\hspace{5mm} \tilde{\gamma} \leftarrow \gamma / (1 +(t-1) \eta) \\ &\hspace{5mm} \textbf{if} \: \lambda \neq 0 \\ &\hspace{10mm} g_t \leftarrow g_t + \lambda \theta_{t-1} \\ &\hspace{5mm}state\_sum_t \leftarrow state\_sum_{t-1} + g^2_t \\ &\hspace{5mm}\theta_t \leftarrow \theta_{t-1}- \tilde{\gamma} \frac{g_t}{\sqrt{state\_sum_t}+\epsilon} \\ &\rule{110mm}{0.4pt} \\[-1.ex] &\bf{return} \: \theta_t \\[-1.ex] &\rule{110mm}{0.4pt} \\[-1.ex] \end{aligned}\end{split}\]

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。

  • lr_decay (float, 可选) - 学习率衰减系数。默认值：0.。

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

  • initial_accumulator_value (float, 可选) - 初始累加器的值。默认值：0.。

  • 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-10。

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 - 学习率衰减系数小于0。

  • ValueError - weight_decay 小于0。

  • ValueError - initial_accumulator_value 小于0。

  • ValueError - eps 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/r2.4.1/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optimizer = optim.Adagrad(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