forked from mindspore-Ecosystem/mindspore
101 lines
4.9 KiB
Plaintext
101 lines
4.9 KiB
Plaintext
Class mindspore.nn.RMSProp(*args, **kwargs)
|
||
|
||
实现均方根传播（RMSProp）算法。
|
||
|
||
根据RMSProp算法更新`params`，算法详见[http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf]第29页。
|
||
|
||
公式如下：
|
||
|
||
.. math::
|
||
s_{t+1} = \rho s_{t} + (1 - \rho)(\nabla Q_{i}(w))^2
|
||
|
||
.. math::
|
||
m_{t+1} = \beta m_{t} + \frac{\eta} {\sqrt{s_{t+1} + \epsilon}} \nabla Q_{i}(w)
|
||
|
||
.. math::
|
||
w = w - m_{t+1}
|
||
|
||
第一个方程计算每个权重的平方梯度的移动平均。然后将梯度除以:math:`\sqrt{ms_{t+1} + \epsilon}`。
|
||
|
||
如果centered为True：
|
||
|
||
.. math::
|
||
g_{t+1} = \rho g_{t} + (1 - \rho)\nabla Q_{i}(w)
|
||
|
||
.. math::
|
||
s_{t+1} = \rho s_{t} + (1 - \rho)(\nabla Q_{i}(w))^2
|
||
|
||
.. math::
|
||
m_{t+1} = \beta m_{t} + \frac{\eta} {\sqrt{s_{t+1} - g_{t+1}^2 + \epsilon}} \nabla Q_{i}(w)
|
||
|
||
.. math::
|
||
w = w - m_{t+1}
|
||
|
||
其中:math:`w`代表待更新的网络参数`params`。
|
||
:math:`g_{t+1}`是平均梯度。
|
||
:math:`s_{t+1}`是均方梯度。
|
||
:math:`m_{t+1}`是moment，`w`的delta。
|
||
:math:`\rho`代表`decay`。:math:`\beta`是动量项，表示`momentum`。
|
||
:math:`\epsilon`是平滑项，可以避免除以零，表示`epsilon`。
|
||
:math:`\eta`是学习率，表示`learning_rate`。:math:`\nabla Q_{i}(w)`是梯度，表示`gradients`。
|
||
:math:`t`表示当前step。
|
||
|
||
.. note::
|
||
.. 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
|
||
.. include:: mindspore.nn.optim_group_lr.rst
|
||
.. include:: mindspore.nn.optim_group_weight_decay.rst
|
||
.. include:: mindspore.nn.optim_group_gc.rst
|
||
.. include:: mindspore.nn.optim_group_order.rst
|
||
|
||
learning_rate (Union[float, Tensor, Iterable, LearningRateSchedule])：默认值：0.1。
|
||
.. include:: mindspore.nn.optim_arg_dynamic_lr.rst
|
||
decay (float)：衰减率。必须大于等于0。默认值：0.9。
|
||
momentum (float)：Float类型的超参数，表示移动平均的动量（momentum）。必须大于等于0。默认值：0.0。
|
||
epsilon (float)：将添加到分母中，以提高数值稳定性。取值大于0。默认值：1e-10。
|
||
use_locking (bool)：是否对参数更新加锁保护。默认值：False。
|
||
centered (bool)：如果为True，则梯度将通过梯度的估计方差进行归一。默认值：False。
|
||
.. include:: mindspore.nn.optim_arg_loss_scale.rst
|
||
weight_decay (Union[float, int])：权重衰减（L2 penalty）。必须大于等于0。默认值：0.0。
|
||
|
||
输入：
|
||
- **gradients** （tuple[Tensor]） - `params`的梯度，shape与`params`相同。
|
||
|
||
输出：
|
||
Tensor[bool]，值为True。
|
||
|
||
异常：
|
||
TypeError：`learning_rate`不是int、float、Tensor、Iterable或LearningRateSchedule。
|
||
TypeError：`decay`、`momentum`、`epsilon`或`loss_scale`不是float。
|
||
TypeError：`parameters`的元素不是Parameter或字典。
|
||
TypeError：`weight_decay`不是float或int。
|
||
TypeError：`use_locking`或`centered`不是bool。
|
||
ValueError：`epsilon`小于或等于0。
|
||
ValueError：`decay`或`momentum`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.RMSProp(params=net.trainable_params(), learning_rate=0.1)
|
||
>>>
|
||
>>> #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, 'lr': 0.01},
|
||
... {'order_params': net.trainable_params()}]
|
||
>>> optim = nn.RMSProp(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参数组将使用该组的学习率0.01、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)
|
||
|