比较与torch.optim.SparseAdam的差异

torch.optim.SparseAdam

class torch.optim.SparseAdam(
    params,
    lr=0.001,
    betas=(0.9, 0.999),
    eps=1e-08
)

更多内容详见torch.optim.SparseAdam。

mindspore.nn.LazyAdam

class mindspore.nn.LazyAdam(
    params,
    learning_rate=1e-3,
    beta1=0.9,
    beta2=0.999,
    eps=1e-8,
    use_locking=False,
    use_nesterov=False,
    weight_decay=0.0,
    loss_scale=1.0
)

更多内容详见mindspore.nn.LazyAdam。

差异对比

torch.optim.SparseAdam 为PyTorch中专门用于稀疏场景的Adam算法；

mindspore.nn.LazyAdam 既可以用于常规场景，也可以用于稀疏场景：

• 当输入梯度为稀疏Tensor时，默认参数下 mindspore.nn.LazyAdam 与 torch.optim.SparseAdam 一致，但 mindspore.nn.LazyAdam 当前仅支持CPU后端；

• 当输入梯度为非稀疏时，mindspore.nn.LazyAdam 自动执行 mindspore.nn.Adam 算法，且支持CPU/GPU/Ascend后端。

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，参数名不同
	参数3	betas	beta1, beta2	功能一致，参数名不同
	参数4	eps	eps	功能一致
	参数5	-	use_locking	MindSpore的 use_locking 表示是否对参数更新加锁保护，PyTorch无此参数
	参数6	-	use_nesterov	MindSpore的 use_nesterov 是否使用NAG算法更新梯度，PyTorch无此参数
	参数7	-	weight_decay	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.LazyAdam(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.SparseAdam(model.parameters())
def train_step(data, label):
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()