forked from mindspore-Ecosystem/mindspore
103 lines
4.8 KiB
Plaintext
103 lines
4.8 KiB
Plaintext
Class mindspore.nn.FTRL(*args, **kwargs)
|
||
|
||
使用ApplyFtrl算子实现FTRL算法。
|
||
|
||
FTRL是一种在线凸优化算法，根据损失函数自适应地选择正则化函数。
|
||
详见论文`Adaptive Bound Optimization for Online Convex Optimization <https://arxiv.org/abs/1002.4908>`_。
|
||
工程文档参阅`Ad Click Prediction: a View from the Trenches <https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf>`_。
|
||
|
||
|
||
更新公式如下：
|
||
|
||
.. math::
|
||
|
||
\begin{array}{ll} \\
|
||
m_{t+1} = m_{t} + g^2 \\
|
||
u_{t+1} = u_{t} + g - \frac{m_{t+1}^\text{-p} - m_{t}^\text{-p}}{\alpha } * \omega_{t} \\
|
||
\omega_{t+1} =
|
||
\begin{cases}
|
||
\frac{(sign(u_{t+1}) * l1 - u_{t+1})}{\frac{m_{t+1}^\text{-p}}{\alpha } + 2 * l2 }
|
||
& \text{ if } |u_{t+1}| > l1 \\
|
||
0.0
|
||
& \text{ otherwise }
|
||
\end{cases}\\
|
||
\end{array}
|
||
|
||
:math:`m`表示累加器，:math:`g`表示`grads`，:math:`t`表示当前step，:math:`u`表示需要更新的线性系数，:math:`p`表示`lr_power`，:math:`\alpha`表示`learning_rate`，:math:`\omega`表示`params`。
|
||
|
||
.. note::
|
||
.. include:: mindspore.nn.optim_note_sparse.rst
|
||
|
||
.. include:: mindspore.nn.optim_note_weight_decay.rst
|
||
|
||
参数：
|
||
params (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"：
|
||
|
||
.. include:: mindspore.nn.optim_group_param.rst
|
||
|
||
- **lr** - 学习率当前不支持参数分组。
|
||
|
||
.. include:: mindspore.nn.optim_group_weight_decay.rst
|
||
|
||
.. include:: mindspore.nn.optim_group_gc.rst
|
||
|
||
.. include:: mindspore.nn.optim_group_order.rst
|
||
|
||
|
||
initial_accum (float)：累加器`m`的初始值，必须大于等于零。默认值：0.1。
|
||
|
||
learning_rate (float)：学习速率值必须为零或正数，当前不支持动态学习率。默认值：0.001。
|
||
|
||
lr_power (float)：学习率的幂值，控制训练期间学习率的下降方式，必须小于或等于零。如果lr_power为零，则使用固定的学习率。默认值：-0.5。
|
||
|
||
l1 (float)：l1正则化强度，必须大于等于零。默认值：0.0。
|
||
|
||
l2 (float)：l2正则化强度，必须大于等于零。默认值：0.0。
|
||
|
||
use_locking (bool)：如果为True，则更新操作使用锁保护。默认值：False。
|
||
|
||
.. include:: mindspore.nn.optim_arg_loss_scale.rst
|
||
|
||
weight_decay (Union[float, int])：要乘以权重的权重衰减值，必须为零或正值。默认值：0.0。
|
||
|
||
输入：
|
||
- **grads** (tuple[Tensor])：优化器中`params`的梯度，shape与优化器中的`params`相同。
|
||
|
||
|
||
输出：
|
||
tuple[Parameter]，更新的参数，shape与`params`相同。
|
||
|
||
异常：
|
||
TypeError：`initial_accum`、`learning_rate`、`lr_power`、`l1`、`l2`或`loss_scale`不是float。
|
||
TypeError：`parameters`的元素不是Parameter或dict。
|
||
TypeError：`weight_decay`不是float或int。
|
||
TypeError：`use_nesterov`不是bool。
|
||
ValueError：`lr_power`大于0。
|
||
ValueError：`loss_scale`小于等于0。
|
||
ValueError：`initial_accum`、`l1`或`l2`小于0。
|
||
|
||
支持平台：
|
||
``Ascend`` ``GPU`` ``CPU``
|
||
|
||
示例：
|
||
>>> net = Net()
|
||
>>> #1) 所有参数使用相同的学习率和权重衰减
|
||
>>> optim = nn.FTRL(params=net.trainable_params())
|
||
>>>
|
||
>>> #2) 使用参数分组并设置不同的值
|
||
>>> 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, 'weight_decay': 0.01, 'grad_centralization':True},
|
||
... {'params': no_conv_params},
|
||
... {'order_params': net.trainable_params()}]
|
||
>>> optim = nn.FTRL(group_params, learning_rate=0.1, weight_decay=0.0)
|
||
>>> # conv_params参数组将使用优化器中的学习率0.1、该组的权重衰减0.01、该组的梯度中心化配置True。
|
||
>>> # no_conv_params参数组使用优化器中的学习率0.1、优化器中的权重衰减0.0、梯度中心化使用默认值False。
|
||
>>> # 优化器按照"order_params"配置的参数顺序更新参数。
|
||
>>>
|
||
>>>
|
||
>>> loss = nn.SoftmaxCrossEntropyWithLogits()
|
||
>>> model = Model(net, loss_fn=loss, optimizer=optim)
|
||
|
||
|
||
.. include::mindspore.nn.optim_target_unique_for_sparse.rst |