|
- Class mindspore.nn.Optimizer(learning_rate, parameters, weight_decay=0.0, loss_scale=1.0)
-
- 用于参数更新的优化器基类。不要直接使用这个类，请实例化它的一个子类。
-
- 优化器支持参数分组。当参数分组时，每组参数均可配置不同的学习率（`lr`）、权重衰减（`weight_decay`）和梯度中心化（`grad_centralization`）策略。
-
- 注：
- 在参数未分组时，优化器配置的`weight_decay`应用于名称含有"beta"或"gamma"的网络参数，通过网络参数分组可调整权重衰减策略。分组时，每组网络参数均可配置`weight_decay`，若未配置，则该组网络参数使用优化器中配置的`weight_decay`。
-
- 参数：
- learning_rate (Union[float, int, Tensor, Iterable, LearningRateSchedule]):
-
- - float: 固定的学习率。必须大于等于零。
-
- - int: 固定的学习率。必须大于等于零。整数类型会被转换为浮点数。
-
- - Tensor: 可以是标量或一维向量。标量是固定的学习率。一维向量是动态的学习率，第i步将取向量中第i个值作为学习率。
-
- - Iterable: 动态的学习率。第i步将取迭代器第i个值作为学习率。
-
- - LearningRateSchedule: 动态的学习率。在训练过程中，优化器将使用步数（step）作为输入，调用`LearningRateSchedule`实例来计算当前学习率。
-
- parameters (Union[list[Parameter], list[dict]]): 必须是`Parameter`组成的列表或字典组成的列表。当列表元素是字典时，字典的键可以是"params"、"lr"、"weight_decay"、"grad_centralization"和"order_params"：
-
- - params: 必填。当前组别的权重，该值必须是`Parameter`列表。
-
- - lr: 可选。如果键中存在"lr"，则使用对应的值作为学习率。
- 如果没有，则使用优化器中配置的`learning_rate`作为学习率。
-
- - weight_decay: 可选。如果键中存在"weight_decay”，则使用对应的值作为权重衰减值。如果没有，则使用优化器中配置的`weight_decay`作为权重衰减值。
-
- - grad_centralization: 可选。如果键中存在"grad_centralization"，则使用对应的值，该值必须为布尔类型。如果没有，则认为`grad_centralization`为False。
- 该参数仅适用于卷积层。
-
- - order_params: 可选。对应值是预期的参数更新顺序。当使用参数分组功能时，通常使用该配置项保持`parameters`的顺序以提升性能。
- 如果键中存在"order_params"，则会忽略该组配置中的其他键。"order_params"中的参数必须在某一组`params`参数中。
-
- weight_decay (Union[float, int]): 权重衰减的整数或浮点值。
- 必须等于或大于0。
- 如果`weight_decay`是整数，它将被转换为浮点数。默认值：0.0。
-
- loss_scale (float): 梯度缩放系数，必须大于0。如果`loss_scale`是整数，它将被转换为浮点数。通常使用默认值，仅当训练时使用了`FixedLossScaleManager`，且`FixedLossScaleManager`的`drop_overflow_update`属性配置为False时，此值需要与`FixedLossScaleManager`中的`loss_scale`相同。有关更多详细信息，请参阅class：`mindspore.FixedLossScaleManager`。
- 默认值：1.0。
-
- 异常：
- TypeError: `learning_rate`不是int、float、Tensor、Iterable或LearningRateSchedule。
- TypeError: `parameters`的元素不是Parameter或字典。
- TypeError: `loss_scale`不是float。
- TypeError: `weight_decay`不是float或int。
- ValueError: `loss_scale`小于或等于0。
- ValueError: `weight_decay`小于0。
- ValueError: `learning_rate`是一个Tensor，但是Tensor的维度大于1。
-
- 支持的平台：
- ``Ascend`` ``GPU`` ``CPU``
-
-
- broadcast_params(optim_result)
-
- 按参数组的顺序进行参数广播。
-
- 参数：
- optim_result (bool): 参数更新结果。该输入用来保证参数更新完成后才执行参数广播。
-
- 返回：
- bool，状态标志。
-
-
- decay_weight(gradients)
-
- 衰减权重。
-
- 一种减少深度学习神经网络模型过拟合的方法。继承 :class:`mindspore.nn.Optimizer`自定义优化器时，可调用该接口进行权重衰减。
-
- 参数：
- gradients (tuple[Tensor]): 网络参数的梯度，形状（shape）与网络参数相同。
-
- 返回：
- tuple[Tensor]，衰减权重后的梯度。
-
-
- get_lr()
-
- 优化器调用该接口获取当前步骤（step）的学习率。继承 :class:`mindspore.nn.Optimizer`自定义优化器时，可在参数更新前调用该接口获取学习率。
-
- 返回：
- float，当前步骤的学习率。
-
-
- get_lr_parameter(param)
-
- 用于在使用网络参数分组功能，且为不同组别配置不同的学习率时，获取指定参数的学习率。
-
- 参数：
- param (Union[Parameter, list[Parameter]]): `Parameter`或`Parameter`列表。
-
- 返回：
- Parameter，单个`Parameter`或`Parameter`列表。如果使用了动态学习率，返回用于计算学习率的`LearningRateSchedule`或`LearningRateSchedule`列表。
-
- 示例：
- >>> from mindspore import nn
- >>> net = Net()
- >>> conv_params = list(filter(lambda x: 'conv' in x.name, net.trainable_params()))
- >>> no_conv_params = list(filter(lambda x: 'conv' not in x.name, net.trainable_params()))
- >>> group_params = [{'params': conv_params, 'lr': 0.05},
- ... {'params': no_conv_params, 'lr': 0.01}]
- >>> optim = nn.Momentum(group_params, learning_rate=0.1, momentum=0.9, weight_decay=0.0)
- >>> conv_lr = optim.get_lr_parameter(conv_params)
- >>> print(conv_lr[0].asnumpy())
- 0.05
-
-
- gradients_centralization(gradients)
-
- 梯度中心化。
-
- 一种优化卷积层参数以提高深度学习神经网络模型训练速度的方法。继承 :class:`mindspore.nn.Optimizer`自定义优化器时，可调用该接口进行梯度中心化。
-
- 参数：
- gradients (tuple[Tensor]): 网络参数的梯度，形状（shape）与网络参数相同。
-
- 返回：
- tuple[Tensor]，梯度中心化后的梯度。
-
-
- scale_grad(gradients)
-
- 用于在混合精度场景还原梯度。
-
- 继承:class:`mindspore.nn.Optimizer`自定义优化器时，可调用该接口还原梯度。
-
- 参数：
- gradients (tuple[Tensor]): 网络参数的梯度，形状（shape）与网络参数相同。
-
- 返回：
- tuple[Tensor]，还原后的梯度。
-
-
- target
-
- 该属性用于指定在主机（host）上还是设备（device）上更新参数。输入类型为str，只能是'CPU'，'Ascend'或'GPU'。
-
-
- unique
- 该属性表示是否在优化器中进行梯度去重，通常用于稀疏网络。如果梯度是稀疏的则设置为True。如果前向稀疏网络已对权重去重，即梯度是稠密的，则设置为False。未设置时默认值为True。
|
