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.SparseApplyAdagradV2

class mindspore.ops.SparseApplyAdagradV2(lr, epsilon, update_slots=True, use_locking=False)

根据Adagrad算法更新相关参数或者Tensor。

$$\begin{array}{r}\begin{array}{l}\\ accum+=grad\ast grad\\ var-=lr\ast grad\ast \frac{1}{\sqrt{accum}+ϵ}\end{array}\end{array}$$

$ϵ$ 代表 epsilon。

var 、 accum 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，则低精度数据类型将转换为相对最高精度的数据类型。

参数：

• lr (float) - 学习率。

• epsilon (float) - 添加到分母上的较小值，以确保数值的稳定性。

• update_slots (bool) - 如果为 True ，则将更新 accum 。默认值： True 。

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

输入：

• var (Union[Parameter, Tensor]) - 要更新的变量。为任意维度，其数据类型为float16或float32。其shape为 $(N,\ast )$ ，其中 $\ast$ 为任意数量的额外维度。

• accum (Union[Parameter, Tensor]) - 要更新的累积。shape必须与 var 相同。

• grad (Tensor) - 梯度，为一个Tensor。shape必须与 var 相同，且需要满足当 var.shape > 1 时 $grad.shape[1:]=var.shape[1:]$。

• indices (Tensor) - var 和 accum 第一维度的索引向量，数据类型为int32，且需要保证 $indices.shape[0]=grad.shape[0]$。indices的值需要唯一，否则结果将不可预测。

输出：

2个Tensor组成的tuple，更新后的参数或者Tensor。

• var (Tensor) - shape和数据类型与 var 相同。

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

异常：

• TypeError - 如果 lr 或者 epsilon 不是float类型。

• TypeError - 如果 update_slots 或者 use_locking 不是布尔值。

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

• TypeError - 如果 indices 的数据类型不是int32。

• RuntimeError - 如果 var 、 accum 和 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, ops, Parameter
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.sparse_apply_adagrad_v2 = ops.SparseApplyAdagradV2(lr=1e-8, epsilon=1e-6)
...         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")
...
...     def construct(self, grad, indices):
...         out = self.sparse_apply_adagrad_v2(self.var, self.accum, grad, indices)
...         return out
...
>>> net = Net()
>>> grad = Tensor(np.array([[0.7]]).astype(np.float32))
>>> indices = Tensor(np.array([0]), mindspore.int32)
>>> output = net(grad, indices)
>>> print(output)
(Tensor(shape=[1, 1], dtype=Float32, value=
[[ 1.99999988e-01]]), Tensor(shape=[1, 1], dtype=Float32, value=
[[ 5.89999974e-01]]))