mindspore.experimental

实验性模块。

实验性优化器

接口名

概述

支持平台

mindspore.experimental.optim.Optimizer

用于参数更新的优化器基类。

Ascend GPU CPU

mindspore.experimental.optim.Adam

Adaptive Moment Estimation (Adam)算法的实现。

Ascend GPU CPU

mindspore.experimental.optim.AdamW

Adaptive Moment Estimation Weight Decay(AdamW)算法的实现。

Ascend GPU CPU

mindspore.experimental.optim.SGD

随机梯度下降算法。

Ascend GPU CPU

LRScheduler类

本模块中的动态学习率都是LRScheduler的子类,此模块仅与mindspore.experimental.optim下的优化器配合使用,使用时将优化器实例传递给LRScheduler类。在训练过程中,LRScheduler子类通过调用 step 方法进行学习率的动态改变。

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/r2.2/docs/mindspore/code/lenet.py

net = LeNet5()
loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
optimizer = optim.Adam(net.trainable_params(), lr=0.05)
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=2, gamma=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
for epoch in range(6):
    # Create the dataset taking MNIST as an example. Refer to
    # https://gitee.com/mindspore/docs/blob/r2.2/docs/mindspore/code/mnist.py

    for data, label in create_dataset(need_download=False):
        train_step(data, label)
    scheduler.step()

接口名

概述

支持平台

mindspore.experimental.optim.lr_scheduler.LRScheduler

动态学习率的基类。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.ChainedScheduler

保存多个学习率调度器的链表,调用 ChainedScheduler.step() 可以执行 schedulers 中每一个学习率调度器的 step() 函数。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.ConstantLR

将每个参数组的学习率按照衰减因子 factor 进行衰减,直到 last_epoch 达到 total_iters

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.CosineAnnealingLR

使用余弦退火对优化器参数组的学习率进行改变。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.CosineAnnealingWarmRestarts

使用余弦退火热重启对优化器参数组的学习率进行改变。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.CyclicLR

根据循环学习率策略(CLR)设置每个参数组的学习率。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.ExponentialLR

每个epoch呈指数衰减的学习率,即乘以 gamma

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.LambdaLR

将每个参数组的学习率设定为初始学习率乘以指定的 lr_lambda 函数。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.LinearLR

线性减小学习率乘法因子 ,并将每个参数组的学习率按照此乘法因子进行衰减,直到 last_epoch 数达到 total_iters

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.MultiplicativeLR

将每个参数组当前的学习率按照传入的 lr_lambda 函数乘以指定的乘法因子。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.MultiStepLR

当epoch/step达到 milestones 时,将每个参数组的学习率按照乘法因子 gamma 进行变化。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.PolynomialLR

每个epoch,学习率通过多项式拟合来调整。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.ReduceLROnPlateau

当指标停止改进时降低学习率。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.SequentialLR

SequentialLR 接收一个将被顺序调用的学习率调度器列表 schedulers,及指定的间隔列表 milestonemilestone 设定了每个epoch哪个调度器被调用。

Ascend GPU CPU

mindspore.experimental.optim.lr_scheduler.StepLR

step_size 个epoch按 gamma 衰减每个参数组的学习率。

Ascend GPU CPU