mindspore.ops.AdamWeightDecay

查看源文件
class mindspore.ops.AdamWeightDecay(use_locking=False)[源代码]

通过具有权重衰减的自适应矩估计算法(AdamWeightDecay)更新梯度。 Adam算法在 Adam:随机优化方法 中提出。

AdamWeightDecay是Adam算法的变体,在 解耦权重衰变正则化 中提出的。

更新公式如下:

\[\begin{split}\begin{array}{ll} \\ m = \beta_1 * m + (1 - \beta_1) * g \\ v = \beta_2 * v + (1 - \beta_2) * g * g \\ update = \frac{m}{\sqrt{v} + \epsilon} \\ update = \begin{cases} update + weight\_decay * w & \text{ if } weight\_decay > 0 \\ update & \text{ otherwise } \end{cases} \\ w = w - lr * update \end{array}\end{split}\]

\(m\) 代表第一个矩向量,\(v\) 代表第二个矩向量,\(g\) 代表 gradient\(\beta_1, \beta_2\) 代表 beta1beta2\(lr\) 代表 learning_rate\(w\) 代表 var\(decay\) 代表 weight_decay\(\epsilon\) 代表 epsilon

参数:
  • use_locking (bool) - 是否对参数更新加锁保护。如果为 True ,则 varmv 张量的更新将受到锁的保护。如果为 False ,则结果不可预测。默认值: False

输入:
  • var (Parameter) - 需要更新的权重。shape为 \((N, *)\) 其中 \(*\) 表示任何数量的附加维度,数据类型可以是float16或float32。

  • m (Parameter) - 更新公式中的第一个动量矩阵,它的shape应该和 var 一致,数据类型可以是float16或float32。

  • v (Parameter) - 更新公式中的第二个动量矩阵,shape与 m 相同。

  • lr (float) - 更新公式中的 \(lr\) 。其论文建议值为 \(10^{-8}\) ,数据类型应为float32。

  • beta1 (float) - 第一个动量矩阵的指数衰减率,数据类型应为float32。论文建议的值是 \(0.9\)

  • beta2 (float) - 第二个动量矩阵的指数衰减率,数据类型应为float32。论文建议的值是 \(0.999\)

  • epsilon (float) - 添加到分母中的值,以提高数值稳定性,数据类型应为float32。

  • decay (float) - 权重衰减值,必须是具有float32数据类型的标量张量。默认值:0.0

  • gradient (Tensor) - 梯度,shape与 var 相同。

输出:

3个张量的Tuple,为更新后的参数。

  • var (Tensor) - 具有与 var 相同的shape和数据类型。

  • m (Tensor) - 具有与 m 相同的shape和数据类型。

  • v (Tensor) - 具有与 v 相同的shape和数据类型。

异常:
  • TypeError - 如果 use_locking 不是bool类型。

  • TypeError - 如果 lrbeta1beta2epsilon 或者 decay 不是float32。

  • TypeError - 如果 varm 或者 v 不是数据类型为float16或者float32的Parameter。

  • TypeError - 如果 gradient 不是Tensor。

  • ValueError - 如果 epsilon 小于等于0。

  • ValueError - 如果 beta1beta2 不在(0.0,1.0)范围内。

  • ValueError - 如果 decay 小于0。

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import Tensor, Parameter, ops
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.adam_weight_decay = ops.AdamWeightDecay()
...         self.var = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="var")
...         self.m = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="m")
...         self.v = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="v")
...     def construct(self, lr, beta1, beta2, epsilon, decay, grad):
...         out = self.adam_weight_decay(self.var, self.m, self.v, lr, beta1, beta2,
...                               epsilon, decay, grad)
...         return out
>>> net = Net()
>>> gradient = Tensor(np.ones([2, 2]).astype(np.float32))
>>> output = net(0.001, 0.9, 0.999, 1e-8, 0.0, gradient)
>>> print(net.var.asnumpy())
[[0.999 0.999]
[0.999 0.999]]