55 lines
3.5 KiB
ReStructuredText
55 lines
3.5 KiB
ReStructuredText
mindspore.experimental.optim.Adamax
|
||
===================================
|
||
|
||
.. py:class:: mindspore.experimental.optim.Adamax(params, lr=2e-3, betas=(0.9, 0.999), eps=1e-8, weight_decay=0.0, *, maximize=False)
|
||
|
||
Adamax算法的实现(基于无穷范数的Adam算法)。
|
||
|
||
更新公式如下：
|
||
|
||
.. math::
|
||
\begin{aligned}
|
||
&\rule{180mm}{0.4pt} \\
|
||
&\textbf{input} : \gamma \text{ (lr)}, \beta_1, \beta_2
|
||
\text{ (betas)},\theta_0 \text{ (params)},f(\theta) \text{ (objective)},
|
||
\: \lambda \text{ (weight decay)}, \\
|
||
&\hspace{13mm} \epsilon \text{ (epsilon)} \\
|
||
&\textbf{initialize} : m_0 \leftarrow 0 \text{ ( first moment)},
|
||
u_0 \leftarrow 0 \text{ ( infinity norm)} \\[-1.ex]
|
||
&\rule{180mm}{0.4pt} \\
|
||
&\textbf{for} \: t=1 \: \textbf{to} \: \ldots \: \textbf{do} \\
|
||
&\hspace{5mm}g_t \leftarrow \nabla_{\theta} f_t (\theta_{t-1}) \\
|
||
&\hspace{5mm}if \: \lambda \neq 0 \\
|
||
&\hspace{10mm} g_t \leftarrow g_t + \lambda \theta_{t-1} \\
|
||
&\hspace{5mm}m_t \leftarrow \beta_1 m_{t-1} + (1 - \beta_1) g_t \\
|
||
&\hspace{5mm}u_t \leftarrow \mathrm{max}(\beta_2 u_{t-1}, |g_{t}|+\epsilon) \\
|
||
&\hspace{5mm}\theta_t \leftarrow \theta_{t-1} - \frac{\gamma m_t}{(1-\beta^t_1) u_t} \\
|
||
&\rule{180mm}{0.4pt} \\[-1.ex]
|
||
&\bf{return} \: \theta_t \\[-1.ex]
|
||
&\rule{180mm}{0.4pt} \\[-1.ex]
|
||
\end{aligned}
|
||
|
||
想更深入了解Adamax算法，请参考论文 `Adam: A Method for Stochastic Optimization <https://arxiv.org/abs/1412.6980>`_ 。
|
||
|
||
.. warning::
|
||
这是一个实验性的优化器接口，需要和 `LRScheduler <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore.experimental.html#lrscheduler%E7%B1%BB>`_ 下的动态学习率接口配合使用。
|
||
|
||
参数：
|
||
- **params** (Union[list(Parameter), list(dict)]) - 网络参数的列表或指定了参数组的列表。
|
||
- **lr** (Union[int, float, Tensor], 可选) - 学习率。默认值：``2e-3``。
|
||
- **betas** (Tuple[float, float], 可选) - 梯度及其平方的运行平均值的系数。默认值：``(0.9, 0.999)``。
|
||
- **eps** (float, 可选) - 加在分母上的值，以确保数值稳定。必须大于0。默认值：``1e-8``。
|
||
- **weight_decay** (float, 可选) - 权重衰减（L2 penalty）。默认值：``0.``。
|
||
|
||
关键字参数：
|
||
- **maximize** (bool, 可选) - 是否根据目标函数最大化网络参数。默认值：``False``。
|
||
|
||
输入：
|
||
- **gradients** (tuple[Tensor]) - 网络权重的梯度。
|
||
|
||
异常：
|
||
- **ValueError** - 学习率不是int、float或Tensor。
|
||
- **ValueError** - 学习率小于0。
|
||
- **ValueError** - `eps` 小于0。
|
||
- **ValueError** - `betas` 范围不在[0,1)之间。
|
||
- **ValueError** - `weight_decay` 小于0。 |