比较与torch.optim.RMSProp的差异

torch.optim.RMSProp

class torch.optim.RMSProp(
    params,
    lr=0.01,
    alpha=0.99,
    eps=1e-08,
    weight_decay=0,
    momentum=0,
    centered=False
)

更多内容详见torch.optim.RMSProp。

mindspore.nn.RMSProp

class mindspore.nn.RMSProp(
    params,
    learning_rate=0.1,
    decay=0.9,
    momentum=0.0,
    epsilon=1e-10,
    use_locking=False,
    centered=False,
    loss_scale=1.0,
    weight_decay=0.0
)

更多内容详见mindspore.nn.RMSProp。

差异对比

PyTorch和MindSpore此优化器实现算法不同，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	alpha	decay	功能一致，参数名及默认值不同
	参数4	eps	epsilon	功能一致，参数名及默认值不同
	参数5	weight_decay	weight_decay	功能一致
	参数6	momentum	momentum	功能一致
	参数7	centered	centered	功能一致
	参数8	-	use_locking	MindSpore的 use_locking 用于控制是否更新网络权重，PyTorch无此参数
	参数9	-	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.RMSProp(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.RMSProp(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()