比较与torch.optim.Adagrad的差异

torch.optim.Adagrad

class torch.optim.Adagrad(
    params,
    lr=0.01,
    lr_decay=0,
    weight_decay=0,
    initial_accumulator_value=0,
    eps=1e-10
)

更多内容详见torch.optim.Adagrad。

mindspore.nn.Adagrad

class mindspore.nn.Adagrad(
    params,
    accum=0.1,
    learning_rate=0.001,
    update_slots=True,
    loss_scale=1.0,
    weight_decay=0.0
)

更多内容详见mindspore.nn.Adagrad。

差异对比

PyTorch和MindSpore此优化器实现算法不同，PyTorch在每一轮迭代中对学习率进行衰减，且在除法计算中加入 eps 以维持计算稳定性，MindSpore中无此过程，详情请参考官网公式。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	params	params	功能一致
	参数2	lr	learning_rate	功能一致，参数名及默认值不同
	参数3	lr_decay	-	PyTorch的 lr_decay 表示学习率的衰减值，MindSpore无此参数
	参数4	weight_decay	weight_decay	功能一致
	参数5	initial_accumulator_value	accum	功能一致，参数名及默认值不同
	参数6	eps	-	PyTorch的 eps 用于加在除法的分母上以增加计算稳定性，MindSpore无此参数
	参数7	-	update_slots	MindSpore的 update_slots 表示是否更新累加器，PyTorch无此参数
	参数8	-	loss_scale	MindSpore的 loss_scale 为梯度缩放系数，PyTorch无此参数

代码示例

# MindSpore
import mindspore
from mindspore import nn

net = nn.Dense(2, 3)
optimizer = nn.Adagrad(net.trainable_params())
criterion = nn.MAELoss(reduction="mean")

def forward_fn(data, label):
    logits = net(data)
    loss = criterion(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

# PyTorch
import torch

model = torch.nn.Linear(2, 3)
criterion = torch.nn.L1Loss(reduction='mean')
optimizer = torch.optim.Adagrad(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()